在最近的一次社区冲刺中,PyG 社区已经实施了一个核心可解释性框架(https://pytorch-geometric.readthedocs.io/en/latest/modules/explain.html#id4)以及各种评估方法、基准数据集和可视化,这使得在 PyG 中开始使用图机器学习解释变得非常容易。此外,如果您只想开箱即用地使用通用图形解释器(如 GNNExplainer [4] 或 P...
美团搜索与NLP团队在图神经网络的长期落地实践中,基于业务实际场景,自主设计研发了图神经网络框架Tulong,以及配套的图学习平台,提升了模型的规模和迭代效率。本文介绍了模型归纳抽象、基本框架、性能优化,以…
这次,是纽约大学、亚马逊联手推出图神经网络框架DGL。 不仅全面上线了对异构图的支持,复现并开源了相关异构图神经网络的代码,在GCMC、RCGN等业内知名的模型实现上,也取得了更好的效果。 还发布了训练知识图谱嵌入(Knowledge Graph Embedding)专用包DGL-KE,在许多经典的图嵌入模型上都获得了性能提升。 目前,这个在2018...
使用球形张量的群等变GNN 🌐 群等变图神经网络的主流是使用球形张量框架,一些工作称该框架为e3nn。MACE发布于NIPS2022(MACE: Higher Order Equivariant Message Passing Neural Networks for Fast and Accurate Force Fields)。它在e3nn框架中提供了一种计算高k体阶特征的高效方法,即通过原子团簇展开。 总结📝 本...
西南交通大学杨燕/江永全团队开发了一种新型的多尺度图神经网络框架MSGNN，来将化合物与代谢路径联系起来。它包括特征编码器、子图编码器和全局特征处理器三部分，分别学习了原子特征、子结构特征和额外的全局分子特征，这三个尺度的特征可赋予模型更全面的信息。该框架在 KEGG 代谢路径数据集上的表现优于现有方法，...
其中,MPNN(Message Passing Neural Network)是图神经网络的一种通用框架,它通过消息传递的方式进行节点特征的更新和图结构的表示学习。一、MPNN消息传递神经网络的基本原理MPNN消息传递神经网络的基本思想是通过节点之间的消息传递来更新节点的特征表示。在每一步的消息传递过程中,节点会接收来自邻居节点的信息,并利用这些...
西南交通大学杨燕/江永全团队开发了一种新型的多尺度图神经网络框架MSGNN,来将化合物与代谢路径联系起来。它包括特征编码器、子图编码器和全局特征处理器三部分,分别学习了原子特征、子结构特征和额外的全局分子特征,这三个尺度的特征可赋予模型更全面的信息。
本文提出了scGNN (单细胞图神经网络),为scRNA-seq分析提供了一个无假设的深度学习框架。这个框架用图神经网络来表达和聚集细胞间的关系,并使用左截断的混合高斯模型来建模异质基因表达模式。scGNN集成了三种迭代多模态自动编码器,其在四个scRNA-seq基准数据集上的基因插补和细胞聚类性能优于现有工具。在一项阿尔茨海默...
可见,不论是数据还是模型,「图」应该成为一个核心概念。 基于这些思考,我们开发了 Deep Graph Library(DGL),一款面向图神经网络以及图机器学习的全新框架。 在设计上,DGL 秉承三项原则: DGL 必须和目前的主流的深度学习框架(PyTorch、MXNet、TensorFlow 等)无缝衔接。从而实现从传统的 tensor 运算到图运算的自由转换...
西南交通大学杨燕/江永全团队开发了一种新型的多尺度图神经网络框架MSGNN,来将化合物与代谢路径联系起来。它包括特征编码器、子图编码器和全局特征处理器三部分,分别学习了原子特征、子结构特征和额外的全局分子特征,这三个尺度的特征可赋予模型更全面的信息。