m0_50976935的博客

具体来说，ASPool 自适应地保留边的子集来校准图结构并学习抽象表示，其中所有边都被视为非对等点，而不是简单地连接节点。为了保持图的连通性，我们进一步介绍了考虑排名靠前的节点和丢弃边的选择策略。增加一个池化，用来将原来模型忽略的边，再次拿来挖掘信息（应该属于是把数据集中的信息挖掘的更好，得到了更多有用的信息）在 9 个广泛使用的基准上的实验结果表明，与最先进的图形表示学习方法相比，ASPool 实现了卓越的性能。这个图片，还真心不怎么样，但是人家发了一区，所以不要觉得自己的图片不行，其实重点还是内容牛。

本研究提出了一种图神经网络药物再利用模型，我们称之为GDRnet，以有效地筛选大型批准药物数据库，并预测新疾病的可能治疗方法。我们将药物再利用作为一个多层异构网络中的链接预测问题，该网络约有140万条边，捕获了代表药物、疾病、基因和人体结构的近42,000个节点之间的复杂相互作用。与其他最先进的基线方法相比，我们证明了所提出的模型在真实数据集上的有效性。文章结构也是不错的，这点值得我学习。我们提出了一个用于药物再利用模型的GNN模型，称为GDRnet，从一个巨大的批准药物数据库中预测药物，以供进一步研究。

原文:Learning the Network of Graphs for Graph Neural Networks。

torch_geometric库（pyg）安装步骤

额外的消融研究进一步说明了图特征的三个方面和提出的自适应特征融合机制的必要性。说起来这篇文章算的上是一篇工程味很浓的文章，文章通过syn-cora 这样一个数据集贯穿始终并伴有9个其他的真实数据集，然后运通大量的模型在这个上面进行训练。所以整体的表格数据方面还是做的不错的，这点也是值得学习的。但是还是有亮点的，首先表格中用红蓝双色来标注出重要的数据，这点是我在原来的论文中没有见过的。其次，他的三个指标随着图特征的动态图的配色真的很漂亮，我很喜欢，未来我们也可以在论文中借鉴这样的配色。

由于图神经网络在年来，在很多非网格类的数据集上有着不俗的表现，所有吸引了越来越多的研究人员来对其性质以及其应用领域进行研究，本文主要是根据文献鸟[1]汇总了2022年6-9月的图神经方向的论文（还是有些不全）并且根据这些论文进行统计绘图，其中本文绘图是参考[2]的博客。我选取的是其中的ChiPlot。（其实也就是顺带手的练习一下怎么进行绘图）。

• 为了改善标签有效设置下的fMRI表征学习和分类，作者提供了一个GATE的学习方法，该方法可以有效的解决标签少的问题，然后就是针对这些方法进行理论证明，通过实验发现，提出的这些方法是有效可行的。• 为了改善标签有效设置下的fMRI表征学习和分类，我们提出了一种新的理论驱动的GCNs自监督学习(SSL)框架，即用于fMRI分析的时间自监督学习(GATE)的图CCA。• 个人理解，本文主要是解决了数据标注以及动态FC分析中的杂散因素，在解决这些问题的同时又对这些问题进行理论分析同时还进行大量的实验。