Graph Information Network
PulseAugur coverage of Graph Information Network — every cluster mentioning Graph Information Network across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的基准测试MolGraphBench评估用于分子回归任务的图神经网络
一项名为MolGraphBench的新基准测试已被推出，用于评估用于分子回归任务的图神经网络（GNN）架构。该基准测试由Ishaan Gupta提出，分析了四种常见的GNN模型，发现图卷积网络（GCN）和图同构网络（GIN）表现最佳。研究还表明，在融合框架中，分子指纹可能与GNN不互补，并强调了将GNN层类型视为可调超参数以获得更优性能的重要性。
-
新的HetSheaf框架增强了异构图学习
研究人员推出了一种新颖的框架HetSheaf，通过利用细胞层来学习异构图。该方法将异构性直接编码到数据结构中，从而实现类型感知的局部特征空间和基于节点和边类型的学习限制映射。与现有的同质、异构和类型无关的层基线相比，HetSheaf在节点分类、链接预测和图分类任务上表现出优越的性能，同时显著减少了参数数量。
-
新研究通过多样性曲线、安全基准和解耦模型推进图表示学习
研究人员为图表示学习（GRL）引入了几种新方法。一种方法“多样性曲线”（Diversity Curves）跟踪图粗化级别的结构多样性，以创建可比较的嵌入。另一种方法“DiGGR”通过学习潜在因子来指导掩码建模，专注于解耦生成图表示学习。此外，“GraphVec”使用谱特征和GIN-Graph Transformer骨干网络将多样化的图向量化为可迁移的嵌入。另一篇论文还提出了“GRL-Safety”，这是一个多轴基准，用于评估GRL方法…
-
研究发现小型人工智能模型在药物发现预测中表现优于大型模型
一篇新论文挑战了在药物发现中大型人工智能模型总是更优越的假设。研究人员发现，在分子性质和活性预测任务上，经典的机器学习模型和图神经网络的性能常常优于更大、更通用的模型。虽然大型模型可能在零样本推理等领域提供优势，但其预测优势并非普遍适用，并且在很大程度上取决于特定的任务匹配度。