TouchUp-G: 通过图层重心微调改善特征表示
原文中文，约300字，阅读约需1分钟。发表于：。我们提出了 TOUCHUP-G，一个用于改善从 Pretrained Models 获取的节点特征以适应下游图学习任务的方法，通过引入 feature homophily 这一指标，它能有效地减小图结构和节点特征之间的差异，并在四个不同任务和模态的真实数据集上取得了最先进的结果。
本文提出了一种使用自监督和无监督学习相结合的方法创造新的边特征的框架，并结合基于 Popular GNN 架构提取的节点特征，用于节点分类。该方法在三个生物数据集上验证，对基线 Graph Attention Network (GAT) 和 Graph Convolutional Network (GCN) 模型有更好的效果，并且能够解释决定 COVID-19 的过程和严重程度的细胞类型和基因，为潜在疾病生物标记物和治疗靶点的不断发现做出贡献。
