Este trabajo se centra en las Graph Neural Networks (GNN), una clase de redes neuronales capaces de modelar eficazmente problemas cuya estructura subyacente se representa como un grafo. En este estudio, se aplican las GNN al descubrimiento de efectos secundarios de medicamentos utilizando el conjunto de datos ogbl-ddi. Para ello, se realiza una exhaustiva revisión del estado del arte, implementando las mejores variantes y las técnicas más avanzadas en predicción de aristas. Además, se emplean técnicas de vanguardia durante el entrenamiento, como la optimización bayesiana para la búsqueda de hiperparámetros. Finalmente, se analiza en profundidad el comportamiento de la métrica Hits@K y se proponen nuevas líneas de investigación basadas en las conclusiones obtenidas.
ABSTRACT
This work focuses on Graph Neural Networks (GNN), a class of neural networks capable of effectively modeling problems whose underlying structure is represented as a graph. In this study, GNN are applied to the discovery of drug side effects using the ogbl-ddi dataset. A comprehensive review of the state of the art is conducted, implementing the best variants and the latest techniques in edge prediction. Additionally, cutting-edge techniques such as Bayesian optimization for hyperparameter tuning are employed during training. Finally, the behavior of the Hits@K metric is thoroughly analyzed, and new research directions are proposed based on the conclusions drawn.
Este trabajo se centra en las Graph Neural Networks (GNN), una clase de redes neuronales capaces de modelar eficazmente problemas cuya estructura subyacente se representa como un grafo. En este estudio, se aplican las GNN al descubrimiento de efectos secundarios de medicamentos utilizando el conjunto de datos ogbl-ddi. Para ello, se realiza una exhaustiva revisión del estado del arte, implementando las mejores variantes y las técnicas más avanzadas en predicción de aristas. Además, se emplean técnicas de vanguardia durante el entrenamiento, como la optimización bayesiana para la búsqueda de hiperparámetros. Finalmente, se analiza en profundidad el comportamiento de la métrica Hits@K y se proponen nuevas líneas de investigación basadas en las conclusiones obtenidas.
ABSTRACT
This work focuses on Graph Neural Networks (GNN), a class of neural networks capable of effectively modeling problems whose underlying structure is represented as a graph. In this study, GNN are applied to the discovery of drug side effects using the ogbl-ddi dataset. A comprehensive review of the state of the art is conducted, implementing the best variants and the latest techniques in edge prediction. Additionally, cutting-edge techniques such as Bayesian optimization for hyperparameter tuning are employed during training. Finally, the behavior of the Hits@K metric is thoroughly analyzed, and new research directions are proposed based on the conclusions drawn. Read More
Related posts:
Implementación de red de neuronas en C en entorno GNU Linux
Convolutional Autoencoders for Signal Reconstruction and their Application to Damage Signature Extraction
A Graph Attention Network-Based Link Prediction Method Using Link Value Estimation
Estudio del diseño curricular de Educación Física y los contenidos de las actividades físicas en el medio natural para los ciclos de E.S.O y Bachillerato en la Comunidad de Madrid. Propuesta curricular
Uso de algoritmos de social network (grafos) para detectar redes de influencia que impacten en KPIs como churn y ventas
Planificación, producción y ejecución de evento promocional de empresa de pádel en Estados Unidos