Drug Similarity Integration Through Attentive Multi-view Graph Auto-Encoders通过带注意力的多视图图自动编码器的药物相似性集成-程序员宅基地

技术标签：论文阅读 python 机器学习深度学习人工智能神经网络

Drug Similarity Integration Through Attentive Multi-view Graph Auto-Encoders

通过带注意力的多视图图自动编码器的药物相似性集成

摘要

在本文中，我们建议从多种类型的药物特征中学习准确且可解释的相似性度量。特别是，我们使用多视图图形自动编码器对集成进行建模，并添加注意机制来确定每个视图相对于相应任务和特性的权重，以获得更好的可解释性。

4 方法

在本文中，我们将每种类型的药物特征视为一个视图。对于视图在这里插入图片描述
我们通过将每种药物建模为一个节点，将两个节点之间的相似性建模为一条边来构建一个图。我们将节点特征嵌入表示为
Z(u)
并使用相似性矩阵

来表示该视图上药物之间的成对相似性。给定T个不同的视图，多视图相似性集成的任务是推导出一个跨所有视图的集成节点嵌入Z和相似性矩阵A。

4.1 与多视图图形自动编码器的相似性集成

多视图的基本图形网络结构

给定每个视图u的节点嵌入Z(u)，我们连接每个视图的嵌入Z(u)，以获得节点的新表示Z。在这里插入图片描述

两个节点之间的预测可以由sigmoid函数完成,如下：

该方法的结构如下所示：

相似矩阵融合

我们也可以首先获得一个集成的相似性矩阵，并为所有视图只构建一个图，而不是将不同视图中的节点嵌入连接起来。在此单一图形中，所有视图的节点特征都是固定的。考虑到归一化的复杂性，为了融合相似性，我们首先归一化所有的相似性矩阵，归一化后的相似性矩阵表示为：
在这里插入图片描述
然后聚合所有的相似性矩阵，得到一个综合的相似性矩阵作为图的邻接矩阵:

是不同相似性矩阵的混合权重。我们使用一个单层的GraphCNN来编码:

之后，我们将嵌入解码回原始特征空间

损失如下

带关注力的视图选择

在实践中，每个视图的融合可能是非线性的，而每个视图中特征的权重需要由数据和目标任务来决定。考虑到这种灵活性，在本节中，我们通过将来自不同视图的特征与注意机制相融合来扩展混合方案，其中特征的权重由相应的输入来确定。注意视图选择方案如图2所示。

假设我们有每个视图的邻接矩阵
在这里插入图片描述
我们给图的边分配关注力权重

对于每个视图，我们首先将原始邻接矩阵投影到一个非归一化矩阵

然后在不同的视图上归一化它们以获得关注权重

我们把gu限定为一个向量，并构成加权相似矩阵

带注意力的相似矩阵如下
在这里插入图片描述

然后我们对它们进行归一化，得到每个position i 的注意力权重:
在这里插入图片描述

最终的相似矩阵为

在我们得到新的基于注意力的相似度矩阵A后，我们可以使用与4.2和4.3相同的框架。

4.2 给定部分标记数据的半监督扩展

我们可以保持自动编码器框架不变，并使用网络h: h(Z) = Softmax(WZ + b)预测训练数据上的标签。h的预测损失如下
在这里插入图片描述
新模型将两个损失函数整合为其目标函数

4.3 使用测试标签作为变量的转换学习

有时，当我们只有相似性矩阵的图结构而没有节点特征。这促使我们开发另一个方案来扩展之前引入的图形自动编码器，以改善没有节点特征的学习。
我们不使用GAE的原始节点特征或单热点节点向量，而是考虑一种替代方法:我们使用训练标签(即每个节点的DDI链接)作为输入，并使用与图1中相同的GAE结构来重建它们。因此图形自动编码器将输出预测的链接
在这里插入图片描述
此外，如果我们将相似性视为图的边，测试节点的标签也会影响训练节点的解码。因此，我们采用了一种转换方法来使用测试标签作为附加的潜在变量。标签的预测如下:

该模型的目标函数由下式给出:

本文链接：https://blog.csdn.net/weixin_44845357/article/details/116090642

原作者删帖不实内容删帖广告或垃圾文章投诉

智能推荐

c# 调用c++ lib静态库_c#调用lib-程序员宅基地

文章浏览阅读2w次，点赞7次，收藏51次。四个步骤1.创建C++ Win32项目动态库dll 2.在Win32项目动态库中添加外部依赖项 lib头文件和lib库3.导出C接口4.c#调用c++动态库开始你的表演...①创建一个空白的解决方案，在解决方案中添加 Visual C++ , Win32 项目空白解决方案的创建：添加Visual C++ , Win32 项目这......_c#调用lib

deepin/ubuntu安装苹方字体-程序员宅基地

文章浏览阅读4.6k次。苹方字体是苹果系统上的黑体，挺好看的。注重颜值的网站都会使用，例如知乎：font-family: -apple-system, BlinkMacSystemFont, Helvetica Neue, PingFang SC, Microsoft YaHei, Source Han Sans SC, Noto Sans CJK SC, W..._ubuntu pingfang

html表单常见操作汇总_html表单的处理程序有那些-程序员宅基地

文章浏览阅读159次。表单表单概述表单标签表单域按钮控件demo表单标签表单标签基本语法结构<form action="处理数据程序的url地址“ method=”get|post“ name="表单名称”></form><!--method将表单中的数据传送给服务器处理，get方式直接显示在url地址中，数据可以被缓存，且长度有限制；而post方式数据隐藏传输，_html表单的处理程序有那些

PHP设置谷歌验证器（Google Authenticator）实现操作二步验证_php otp 验证器-程序员宅基地

文章浏览阅读1.2k次。使用说明:开启Google的登陆二步验证（即Google Authenticator服务）后用户登陆时需要输入额外由手机客户端生成的一次性密码。实现Google Authenticator功能需要服务器端和客户端的支持。服务器端负责密钥的生成、验证一次性密码是否正确。客户端记录密钥后生成一次性密码。下载谷歌验证类库文件放到项目合适位置(我这边放在项目Vender下面)https://github.com/PHPGangsta/GoogleAuthenticatorPHP代码示例://引入谷_php otp 验证器

【Python】matplotlib.plot画图横坐标混乱及间隔处理_matplotlib更改横轴间距-程序员宅基地

文章浏览阅读4.3k次，点赞5次，收藏11次。matplotlib.plot画图横坐标混乱及间隔处理_matplotlib更改横轴间距

docker — 容器存储_docker 保存容器-程序员宅基地

文章浏览阅读2.2k次。①Storage driver 处理各镜像层及容器层的处理细节，实现了多层数据的堆叠，为用户提供了多层数据合并后的统一视图②所有 Storage driver 都使用可堆叠图像层和写时复制（CoW）策略③docker info 命令可查看当系统上的 storage driver主要用于测试目的，不建议用于生成环境。_docker 保存容器

随便推点

网络拓扑结构_网络拓扑csdn-程序员宅基地

文章浏览阅读834次，点赞27次，收藏13次。网络拓扑结构是指计算机网络中各组件（如计算机、服务器、打印机、路由器、交换机等设备）及其连接线路在物理布局或逻辑构型上的排列形式。这种布局不仅描述了设备间的实际物理连接方式，也决定了数据在网络中流动的路径和方式。不同的网络拓扑结构影响着网络的性能、可靠性、可扩展性及管理维护的难易程度。_网络拓扑csdn

JS重写Date函数，兼容IOS系统_date.prototype 将所有 ios-程序员宅基地

文章浏览阅读1.8k次，点赞5次，收藏8次。IOS系统Date的坑要创建一个指定时间的new Date对象时，通常的做法是：new Date("2020-09-21 11:11:00")这行代码在 PC 端和安卓端都是正常的，而在 iOS 端则会提示 Invalid Date 无效日期。在IOS年月日中间的横岗许换成斜杠，也就是new Date("2020/09/21 11:11:00")通常为了兼容IOS的这个坑，需要做一些额外的特殊处理，笔者在开发的时候经常会忘了兼容IOS系统。所以就想试着重写Date函数，一劳永逸，避免每次ne_date.prototype 将所有 ios