首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

2022最新综述 | 自动图机器学习,阐述AGML方法、库与方向

图机器学习在学术界和工业界都得到了广泛的研究。然而,随着图学习相关文献的不断涌现,涌现出大量的方法和技术,手工设计出针对不同图相关任务的最优机器学习算法变得越来越困难。为了解决这一问题,自动图机器学习(automated graph machine learning)正受到越来越多的研究领域的关注,它旨在为不同的图任务/数据在没有人工设计的情况下发现最佳的超参数和神经结构配置。在本文中,我们广泛地讨论了自动化图机器方法,包括超参数优化(HPO)和神经结构搜索(NAS)的图机器学习。我们将分别简要介绍现有的用于图机器学习和自动机器学习的库,并进一步深入介绍AutoGL,这是我们专门的、也是世界上第一个用于自动图机器学习的开源库。最后,我们分享了对自动图机器学习未来研究方向的见解。这篇论文是第一个系统和全面的讨论的方法,库以及自动化图机器学习的方向。

04

如何在图数据库中训练图卷积网络模型

典型的前馈神经网络将每个数据点的特征作为输入并输出预测。利用训练数据集中每个数据点的特征和标签来训练神经网络。这种框架已被证明在多种应用中非常有效,例如面部识别,手写识别,对象检测,在这些应用中数据点之间不存在明确的关系。但是,在某些使用情况下,当v(i)与v(i)之间的关系不仅仅可以由数据点v(i)的特征确定,还可以由其他数据点v(j)的特征确定。j)给出。例如,期刊论文的主题(例如计算机科学,物理学或生物学)可以根据论文中出现的单词的频率来推断。另一方面,在预测论文主题时,论文中的参考文献也可以提供参考。在此示例中,我们不仅知道每个单独数据点的特征(词频),而且还知道数据点之间的关系(引文关系)。那么,如何将它们结合起来以提高预测的准确性呢?

01

学习笔记 2022 综述 | 自动图机器学习,阐述 AGML 方法、库与方向

图机器学习在学术界和工业界都得到了广泛的研究。然而,随着图学习的研究热潮和大量新兴方法和技术的涌现,针对不同的图相关任务,人工设计最优的机器学习算法变得越来越困难。为了应对这一挑战,以发现不同图相关任务/数据的最佳超参数和神经网络架构配置为目标的自动化图机器学习正日益受到研究界的关注。论文广泛讨论自动化图机器学习方法,主要涵盖用于图机器学习的超参数优化(HPO)和神经网络架构搜索(NAS)。简要概述了分别为图机器学习和自动化机器学习设计的现有库,并进一步深入介绍了他们贡献的世界上第一个用于自动化图机器学习的开源库 AutoGL。最后分享了对自动化图机器学习未来研究方向的见解。该论文是对自动化图机器学习的 Approaches, Libraries and Directions 的首次系统而全面的讨论。

02

iLearnPlus:核酸和蛋白质序列分析、预测模型构建和数据可视化的开源自动化机器学习平台

今天给大家介绍由河南农业大学陈震教授、美国弗吉尼亚联邦大学Lukasz Kurgan教授和澳大利亚蒙纳士大学宋江宁教授等团队合作于2021年6月份发表在生物学顶级期刊Nucleic Acids Research上的一个开源自动化机器学习平台。该平台采用“一站式”的方式对生物序列(包含DNA、RNA以及蛋白质序列)进行特征提取和选择、聚类分析、构建和评测机器学习模型,并将预测结果可视化。河南农业大学陈震教授、中国农业科学院棉花所赵佩副研究员和蒙纳士大学李晨博士为并列第一作者。该工具使用Python/PyQt5作为主要开发工具和编程语言,并在目前所有主流系统包括Windows, MacOS和Linux系统下进行了软件测试运行。iLearnPlus平台共包含四个既可独立使用,又可组合使用的系统模块,可以分别实现对生物序列数据进行特征提取、分析、建模以及数据可视化等多种功能。文章通过使用iLearnPlus对对长非编码RNA和蛋白质巴豆酰化修饰的预测作为运行实例充分展示和论证了该工具的强大功能。

03
领券