Motifs与Graphlets

原创 已于 2022-11-03 10:23:55 修改 · 1.3k 阅读 · 5 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#算法 #深度学习 #图论

于 2022-11-01 16:27:34 首次发布
本文介绍网络模体(network motifs)与图结构分析的基本概念，包括模体的定义、检测方法及其变体——图块(graphlets)。模体作为网络中频繁出现且具有统计显著性的子图模式，在理解复杂网络结构与功能方面发挥着重要作用。

目录

引入

Subgraphs

Network motifs

1.定义

2. 检测motifs

3.motifs 概念的变体

graphlets

如何找到modifs与graphlets

引入

Subnetworks是构建网络的模块，它们可以表征网络的结构与区分不同的网络。

下图中的子图是(每一个和其他的都不同)异构的，且都是连通的、有不同数量的边、边的方向不同

1.对于每一个子图：想象有一个矩阵可以区分子图的”significance“

  • 负值表明 under-representation
  • 正值表明 over-representation

2.创建一个network significance profile

是一个具有所有子图significance值的feature vector

3.通过比较network significance profile区分不同的图

 从图中可以看出来自相同领域的网络有相似的significance profile；不同领域的significance profile值不同

 

Subgraphs

Network motifs

1.定义

network motifs:

  • pattern：小的诱导子图(图 G 的诱导子图是由图 G 的顶点的子集 X 和连接子集 X 中顶点对的所有边组成的图。)
  • Recurring:出现的频率很高
  • Significant:比预期出现的更频繁(预期是指和null mode
最低0.47元/天 解锁文章
图上的统计特征之Motif，Graphlet和Role
欢迎订阅 -- 小源笔迹
04-11 4049
聚类系数 结点的度或者中心性在衡量结点重要性区分结点时起到很重要的作用但是对于图中结点度近似或者中心性近似的结点便很难区分它们。因此很有必要从其他角度挖掘图的特征。 聚类系数用于衡量邻接结点之间的连接程度(有的解释是衡量一个结点的局部邻域中闭合三角形的比例)。聚类系数分为全局的聚类系数和局部的聚类系数(还有其他变体如平均聚类系数等)。 全局聚类系数是对于全图而言的，是计算一个图中所有封闭的三点组的数量除以所有联通的三点组的数量。分子要求三点封闭，分母要求三点联通即可。 局部聚类系数是对于结点而言的，计算的是
图机器学习 - cs224w Lecture 3 - Motif、Graphlet 及 结构性角色
Step to a New World
04-03 4485
文章目录Network MotifsConfiguration ModelGraphletsHow to Find Motifs and GraphletsStructural Roles 大量真实网络都有一个规律，即这些网络都是由一些 building block 构成，类似 Kronecker 图有大量的重复结构。而我们需要一种度量方式来衡量某个结构在图中的显著性。因此需要引入 motif 和...
同质图，异质图，二部图，多元图，graphlets等常见图的类型
qq_45770988的博客
09-23 1950
传统的图数据分析通常采用监督学习的框架,即 通过人为特征提取或端到端图深度学习模型将图数据作为输入,经过训练后挖掘图数据中的有效信息, 输出预测结果。虽然这类图监督学习方法在很多任务上取得了显著成功,但仍面临着以下问题:①依赖大量的人工标注数据;②由于过拟合导致泛化能 力差以及面向标签相关的攻击时模型鲁棒性差。为了解决上述问题,不依赖于人工标注的自监 督学习正在成为图深度学习的趋势,其中,对比学习是一类重要的自监督学习方法.
ATAC-seq分析：Motifs分析（11）
冷冻工厂
01-27 2545
1. 切割位点 ATACseq 应该在较小的保护区（如转录因子结合位点）周围生成较短的片段（我们的无核小体区域）。 因此，我们可以在不同组织/细胞类型/样本中寻找围绕感兴趣基序的切割位点堆积。 为了从我们的 BAM 文件中生成切割位点，我们首先将读取大小调整为 1bp，并根据链进行 4/-5 bp 的偏移，以调整插入 Tn5 转座酶的预期偏移。 在这里，我们将识别通过任意截止的 CTCF 基序，然后使用 soGGi 在它们周围绘制切割位点。我们将跳回我们的 Greenleaf 数据集来执行此操作。 2. 查
CS244W: Machine Learning with Graphs (3) ——网络中的Motifs和结构
lssx0817的博客
05-20 1891
一、子网络（Subnetworks） 子网络或子图是组成网络的基础模块，它们同样可以帮助我们表征和区分网络。 节点数为3的有向子图的所有可能情况（不包含同构的子图）： 考虑使用图中所包含的这些子图的数量作为衡量尺度来进行分类： 可以看到相同领域的网络都有相似数量的各种子图。     二、网络的Motifs 网络的Motifs的定义：Recurring, significant patterns of interconnections. 也就是足够小，出现次数足够多，比预想（与随机
cs224w 图神经网络 学习笔记（三）Motifs and Structural Roles in Networks1
08-04
这是因为随机网络的规模和结构需要与真实网络相同，以便比较 Motifs 的出现频率。 本课的结论是，Motifs、Graphlets和Structural Role in Networks是网络分析中的重要参数，用于帮助我们了解网络是如何工作的，预测...
图神经网络学习：子图、Motifs与网络结构角色
找到网络中的motifs和graphlets通常涉及计算所有可能的子图实例，并统计每种类型的出现频率。这个过程可以是计算密集型的，因此通常需要高效的算法来实现。此外，统计分析和比较不同网络的motif和graphlet分布，可以...
cs224w 图神经网络 学习笔记（三）Motifs and Structural Roles in Networks
喵木木的博客
05-18 4172
课程链接：CS224W: Machine Learning with Graphs 课程视频：【课程】斯坦福 CS224W: 图机器学习 (2019 秋 | 英字) 这一课主要是讲**子图（subnetworks）**的一些参数。 目录1. 序：子图（Subnetworks）2. Subgraphs, Motifs and Graphlets2.1 Network Motifs2.2 Graphlets: Node feature vectors2.3 Finding Motifs and Graphl.
【图神经网络】——“斯坦福CS224W”课程笔记（三）
qq_41614419的博客
03-07 2177
Motifs and structural Roles in Networks 本节课主要讨论子图分解在图分析中的重要作用。 1 简介 图可以看作是由许多子图（subgraph）构建而成的。这些子图能够刻画和区分不同的图。例如下面这个电路图可以分解为许多子图。 有一些固定的子图结构，这些子图反应了某种特殊的结构特征，因此我们需要了解和熟悉它们。这里列举了13种包含3个结点的有向子图（非同构的）。 我们用一个“重要性”系数来表示某个子图在一个图中出现的频率程度（后面会有严格定义）。如果是正数表明出现频.
【图机器学习系列】（二）从传统机器学习角度理解图（一）
不负如来不负卿
08-23 1087
从传统机器学习角度理解图（系列一部分）
【Orca】Orca - Graphlet 和 Orbit 计数算法
最新发布
weixin_54607024的博客
01-08 1180
Orca（ORbit Counting Algorithm）是一种用于对网络中的小图进行计数的有效算法
Motif-based Graph Self-Supervised Learning for Molecular Property Prediction
qq_41200212的博客
01-23 1052
近年来，用数据驱动的方法预测分子性质引起了人们的广泛关注。特别是，图形神经网络（GNN）在各种分子生成和预测任务中表现出显著的成功。在标记数据稀缺的情况下，可以在未标记的分子数据上对GNN进行预训练，以便在针对特定任务进行微调之前首先学习一般的语义和结构信息。然而，大多数现有的GNN自我监督预训练框架只关注节点级或图级任务。这些方法无法捕获子图或图基序中的丰富信息。例如，官能团（分子图中经常出现的子图）通常携带关于分子性质的指示信息。为了弥补这一差距，我们提出了基于Motif的图自监督学习（MGSSL），通
cs224w-第3课：Motifs and Structral Rules in Network
谁怕平生太急
12-24 1347
子图/子网：能够表征和区分网络。 比如节点数为3的有向图种类： Networks from the same domain have similar significance profiles。来自相同域的网络有相似的重要性配置文件 Defining Motifs and graphlets 定义图案和图形 Discovering structural roles and its applica...
【Leetcode千题】968. 两数之和
YFR718的博客
09-22 193
给定一个二叉树，我们在树的节点上安装摄像头。 节点上的每个摄影头都可以监视其父对象、自身及其直接子对象。 计算监控树的所有节点所需的最小摄像头数量。 class Solution: def minCameraCover(self, root: TreeNode) -> int: @lru_cache(None) def dfs(root, flag): ### flag表示当前节点的状态 if not root:
使用图进行特征提取：最有用的图特征机器学习模型介绍
deephub
10-02 9064
​ 从图中提取特征与从正常数据中提取特征完全不同。图中的每个节点都是相互连接的，这是我们不能忽视的重要信息。幸运的是，许多适合于图的特征提取方法已经创建，这些技术可以分为节点级、图级和邻域重叠级。在本文中，我们将研究最常见的图特征提取方法及其属性。 ​ 注意:我的文章结构类似于William L. Hamilton[1]所写的图形学习书籍。 节点级别的特征 ​ 从图中获取信息的最简单方法之一是为每个节点创建单独的特性。这些特征可以利用迭代方法从一个较近的邻域和一个较远的K-hop邻域捕获信息。让我们.
论文阅读：Neural Motifs: Scene Graph Parsing with Global Context
Kivee的博客
09-08 6398
Neural-Motifs(CVPR2018)   Paper给motif的定义是：regularly appearing substructures in scene graph。   换句话说，subject和object的label对它们的relation影响很大，和DR-net差不多的想法，不过用了更复杂的网络来实现。基于motif的想法，paper提出了一个新的strong的base...
论文记录：Neural Motifs: Scene Graph Parsing with Global Context (CVPR-18)
deepinC博客
01-13 2756
（这里只是记录了论文的一些内容以及自己的一点点浅薄的理解，具体实验尚未恢复。由于本人新人一枚，若有错误以及不足之处，还望不吝赐教） 总结 本文关注的问题是 Scene Graph 的生成。通过观察 VG 数据集发现： 超过大半的 images，实体对之间的可能关系高度依赖于实体对的标签，反之不是（object labels are highly predictive of relation ...
《复杂网络理论及应用》
热门推荐
u011089523的博客
11-22 1万+
1 基本概念1.1.1 聚类系数：某个顶点 i , 与之相连的三角形数量/与之相连的三元组的数量。 1.1.2 度及度的分布 完全随机网络的度的分布近似为Poisson分布。其中，Poisson分布近似的可以认为是二项分布nà∞，p很小, np ~λ时的近似，泊松分布的均值λ~np。这样的网络也称为均匀网络。 幂律分布，度的分布ln ( P(k) ) ~ -r ln
CS224w 03-Motifs and Structural Roles in Networks
weixin_43996402的博客
04-16 497
文章目录03-Motifs and Structural Roles in Networks3.1 Subgraphs3.1.1 motifs3.1.2 Graphlets: Node feature vectors3.1.3 寻找Motifs和Graphlets3.2 Structural roles in networks3.2.1 RolX : Structural Role Discovery Method3.3 Discovering structural roles and its applic
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值