Redes do mundo real, como aquelas em conjuntos de dados biomédicos e multiômicos, muitas vezes apresentam estruturas complexas caracterizadas por muitos tipos de nós e arestas, tornando-as heterogêneas ou multiplexadas. Muitas técnicas de aprendizagem baseadas em grafos não conseguem lidar com redes tão complexas devido à sua complexidade intrínseca, embora as redes neurais de grafos tenham se tornado moda e estejam recebendo atenção significativa. A integração da informação nas diversas camadas das diferentes redes, o controle dos custos computacionais envolvidos e a interpretação das funções de classificação de nós e representação de grafos são grandes desafios. Uma solução para este problema pode levar ao desenvolvimento de aplicações como a previsão de reações adversas a medicamentos e análise de dados multimétodos.
Os métodos existentes têm tentado lidar com tais dificuldades em diversas redes e multiplexes de diferentes maneiras estratégicas. A transformação de metamétodos ajuda a transformar redes complexas heterogêneas em estruturas homogêneas para análise. Soluções baseadas em GNN, como MOGONET e SUPREME, operam em diferentes camadas de redes, cujos resultados são somados para obter a previsão final. Abordagens para estruturas orientadas à atenção, como HAN e HGT, introduzem mecanismos que se concentram em nós importantes da rede. Contudo, tais inovações também apresentam deficiências importantes. O número de cálculos não é muito alto para muitas camadas moleculares, portanto o dimensionamento ainda precisa ser abordado e a importância dos nós e arestas entre as camadas não é tratada adequadamente. Estas técnicas muitas vezes não conseguem compreender a interpretação dos elementos da rede em relação a outros trabalhos a jusante; portanto, parece necessária uma solução integrada e eficaz para as necessidades globais.
Para superar essas limitações, os pesquisadores desenvolveram Graph Attention-aware Fusion Networks (GRAF), uma estrutura projetada para transformar muitas redes heterogêneas em representações unificadas e interpretáveis. Inclui novos métodos, como atenção em nível de nó para avaliar a importância dos vizinhos e atenção em nível de camada para avaliar a interdependência das camadas da rede. Ele combina múltiplas camadas de rede em um único gráfico ponderado, permitindo uma representação abrangente de dados complexos. Para reduzir a redundância, as arestas menos importantes são removidas com base em pontos de atenção ponderados, para simplificar a rede sem perturbar informações importantes. A adaptabilidade da estrutura permite que ela seja aplicada com sucesso em diversos conjuntos de dados, fornecendo uma estratégia robusta e eficiente para aprender a representação gráfica.
GRAF funciona através de uma série de etapas bem definidas para analisar com eficiência redes multiplex heterogêneas. Transformações meta-baseadas, como filme-diretor-filme para o conjunto de dados IMDB ou artigo de autor para o conjunto de dados ACM, transformam redes heterogêneas em múltiplas redes. A atenção no nível do nó seleciona vizinhos influentes alfa(i,j). A atenção de nível testa a importância das diferentes camadas da rede beta (phi). Esses pesos de atenção são combinados com uma função de priorização para priorizar os relacionamentos na rede:
O grafo combinado também é adotado em uma Rede Convolucional de Grafos (GCN) de duas camadas, que combina as informações da topologia do grafo e os recursos característicos do nó para completar tarefas como classificação de nós. Os testes foram realizados nos conjuntos de dados IMDB, ACM, DBLP e DrugADR que detectaram alterações específicas no metacaminho com base nas propriedades desses conjuntos de dados e suas respectivas funções.
O GRAF alcançou alto desempenho em diversas tarefas, superando modelos concorrentes em muitos benchmarks. Obteve pontuação macro F1 de 62,1% na previsão do tipo de filme, enquanto fez um excelente trabalho no caso de previsão de reações adversas a medicamentos com pontuação macro F1 de 34,7%. Obteve 92,6% e 91,7% na distinção do tipo de artigo e da área de pesquisa dos autores, respectivamente. Esse design de estrutura oferece gerenciamento completo de nós e atenção em nível de camada, conforme confirmado por estudos de lançamento onde tais componentes são descartados para revelar desempenho reduzido. O método foi testado com desempenho inteligente e métodos de alta qualidade; GRAF se estabelece como uma solução eficiente para análise de redes multiplex.
A estrutura GRAF apresentada abordou os desafios fundamentais das redes heterogêneas, adotando uma nova abordagem de agrupamento baseada na atenção. Sua capacidade de interpretar diferentes camadas da rede torna-o uma ferramenta revolucionária no estudo da representação gráfica; resultados consistentes e elevados em vários conjuntos de dados têm grande importância em muitas aplicações de biomedicina, redes sociais e análise de dados multimétodos. Sua arquitetura escalável e eficiente é o próximo passo para o sucesso das GNNs em aplicações reais de estruturas complexas.
Confira Papel e GitHub. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Se você gosta do nosso trabalho, você vai gostar do nosso jornal.. Não se esqueça de participar do nosso SubReddit de 55k + ML.
🎙️ 🚨 'Avaliação de vulnerabilidade de um grande modelo de linguagem: uma análise comparativa dos métodos da Cruz Vermelha' Leia o relatório completo (Promovido)
Aswin AK é consultor da MarkTechPost. Ele está cursando seu diploma duplo no Instituto Indiano de Tecnologia, Kharagpur. Ele é apaixonado por ciência de dados e aprendizado de máquina, o que traz consigo uma sólida formação acadêmica e experiência prática na solução de desafios de domínio da vida real.
🧵🧵 [Download] Avaliação do relatório do modelo de risco linguístico principal (ampliado)
