CensNet: Faltung mit Kanten-Knoten-Umschaltung in Graph Neural Networks
{Sheng Li Pengsheng Ji Xiaodong Jiang}
Abstract
In diesem Artikel stellen wir CensNet, ein Convolution mit Edge-Node-Switching-Graph-Neurales-Netzwerk, für semi-supervised Klassifikation und Regression in graphenstrukturierten Daten mit sowohl knoten- als auch kantenbasierten Merkmalen vor. CensNet ist ein allgemeiner Graph-Embedding-Framework, der sowohl Knoten als auch Kanten in einen latenten Merkmalsraum abbildet. Durch die Nutzung des Zeilengraphen des ursprünglichen ungerichteten Graphen werden die Rollen von Knoten und Kanten vertauscht, und es werden zwei neuartige Graph-Convolution-Operationen zur Merkmalsweiterleitung vorgeschlagen. Experimentelle Ergebnisse auf realen akademischen Zitierungsnetzwerken und Quantenchemie-Graphen zeigen, dass unser Ansatz die derzeit beste Leistung erreicht oder mit ihr übereinstimmt.
Benchmarks
| Benchmark | Methodik | Metriken |
|---|---|---|
| graph-regression-on-lipophilicity | Random Forests | RMSE@80%Train: 1.16 |
| graph-regression-on-lipophilicity | CensNet | RMSE@80%Train: 0.93 |
| graph-regression-on-lipophilicity | Logistic Regression | RMSE@80%Train: 1.15 |
| graph-regression-on-tox21 | Logistic Regression | AUC@80%Train: 0.71 |
| graph-regression-on-tox21 | Random Forest | AUC@80%Train: 0.71 |
| graph-regression-on-tox21 | CensNet | AUC@80%Train: 0.78 |
KI mit KI entwickeln
Von der Idee bis zum Start — beschleunigen Sie Ihre KI-Entwicklung mit kostenlosem KI-Co-Coding, sofort einsatzbereiter Umgebung und den besten GPU-Preisen.