【PaperReading】SHINE: SubHypergraph Inductive Neural nEtwork-优快云博客

本文链接：https://blog.youkuaiyun.com/ARPOSPF/article/details/130677914

SHINE是一种超图神经网络，用于超图子图的归纳推理，尤其在遗传医学中。它通过强双重注意力消息传递学习节点和通路的表示，同时进行子图归纳分类。SHINE在疾病预测任务上显著优于其他模型，包括最先进的超图神经网络，提供可解释的疾病模型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

SHINE: SubHypergraph Inductive Neural nEtwork

1.引言
2.相关工作
3.方法
4. 实验
5. 结果
6. 讨论、不足和未来的工作
7. 结论

近日，西北大学范伯格医学院Yuan Luo副教授发表在 NeurIPS 2022上的论文“ SHINE: SubHypergraph Inductive Neural nEtwork”。 超图神经网络可以对图的节点之间的多路连接进行建模，这在基因医学等现实世界的应用中很常见。

现有的超图神经网络模型通常侧重于节点级或图级推理，学习超图的子图的强大表示的需求尚未得到满足。SHINE联合优化了端到端子图分类和超图节点相似性正则化的目标。SHINE使用双重注意力信息传递同时学习基因和通路的表征。学习到的表示通过子图注意力层进行聚合，并用于训练用于归纳子图推理的多层感知器。实验表明，SHINE显著优于所有比较模型，并产生了具有功能见解的可解释疾病模型。
SHINE: SubHypergraph Inductive Neural nEtwork
论文摘要：超图神经网络(Hypergraph neural networks)可以对图节点之间的多路连接进行建模，这在遗传医学等现实应用中很常见。特别是，遗传途径或基因集编码由多个基因驱动的分子功能，自