Submitted 13 September, 2024; originally announced September 2024. , Journal ref: Machine Learning and Knowledge Discovery in Databases. Research Track. ECML PKDD 2024. Lecture Notes in Computer Science(), vol 14943. Springer, Cham
توضیحات به فارسی
ارسال شده 13 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، مجله Ref: یادگیری ماشین و کشف دانش در پایگاه داده ها.آهنگ تحقیق.ECML PKDD 2024. یادداشت های سخنرانی در علوم کامپیوتر () ، جلد 14943. Springer ، Cham
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Graph Neural Networks (GNNs) have been widely employed for feature representation learning in molecular graphs. Therefore, it is crucial to enhance the expressiveness of feature representation to ensure the effectiveness of GNNs. However, a significant portion of current research primarily focuses on the structural features within individual molecules, often overlooking the structural similarity between molecules, which is a crucial aspect encapsulating rich information on the relationship between molecular properties and structural characteristics. Thus, these approaches fail to capture the rich semantic information at the molecular structure level. To bridge this gap, we introduce the \textbf{Molecular Structural Similarity Motif GNN (MSSM-GNN)}, a novel molecular graph representation learning method that can capture structural similarity information among molecules from a global perspective. In particular, we propose a specially designed graph that leverages graph kernel algorithms to represent the similarity between molecules quantitatively. Subsequently, we employ GNNs to learn feature representations from molecular graphs, aiming to enhance the accuracy of property prediction by incorporating additional molecular representation information. Finally, through a series of experiments conducted on both small-scale and large-scale molecular datasets, we demonstrate that our model consistently outperforms eleven state-of-the-art baselines. The codes are available at https://github.com/yaoyao-yaoyao-cell/MSSM-GNN.
چکیده به فارسی (ترجمه ماشینی)
شبکه های عصبی نمودار (GNN) به طور گسترده ای برای یادگیری نمایش ویژگی در نمودارهای مولکولی استفاده شده اند.بنابراین ، تقویت بیانگر بیان ویژگی برای اطمینان از اثربخشی GNN ها بسیار مهم است.با این حال ، بخش قابل توجهی از تحقیقات فعلی در درجه اول بر ویژگی های ساختاری در مولکولهای فردی متمرکز است ، که اغلب مشرف به شباهت ساختاری بین مولکول ها است ، که یک جنبه مهم است که اطلاعات غنی را در رابطه بین خصوصیات مولکولی و خصوصیات ساختاری محاصره می کند.بنابراین ، این رویکردها نتوانند اطلاعات معنایی غنی را در سطح ساختار مولکولی ضبط کنند.برای عبور از این شکاف ، ما \ textBF {Molecular Motority Motif GNN (MSSM-GNN)} را معرفی می کنیم ، یک روش یادگیری نمودار مولکولی جدید که می تواند اطلاعات شباهت ساختاری را در بین مولکول ها از منظر جهانی ضبط کند.به طور خاص ، ما یک نمودار مخصوص طراحی شده را پیشنهاد می کنیم که الگوریتم های هسته نمودار را به دست می آورد تا شباهت بین مولکول ها را به صورت کمی نشان دهد.پس از آن ، ما از GNN ها برای یادگیری بازنمایی های ویژگی از نمودارهای مولکولی استفاده می کنیم ، با هدف افزایش دقت پیش بینی املاک با درج اطلاعات نمایندگی مولکولی اضافی.سرانجام ، از طریق یک سری آزمایشات انجام شده در هر دو مجموعه کوچک در مقیاس کوچک و در مقیاس بزرگ ، ما نشان می دهیم که مدل ما به طور مداوم از یازده خط مقدم پیشرفته بهتر است.کدها در https://github.com/yaoyao-yaoyao-cell/mssm-gnn موجود است.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
