Crédito: IEEE Access (2025). Doi: 10.1109/access.2025.3543206
Un equipo de investigación de la Universidad de Kumamoto ha desarrollado un modelo de aprendizaje profundo prometedor que mejora significativamente la precisión de la coincidencia de subgraph, una tarea crítica en los campos que van desde el descubrimiento de fármacos hasta el procesamiento del lenguaje natural.
El trabajo se publica en la revista IEEE Access.
La coincidencia de subgraph implica identificar patrones específicos (o subgraphs) dentro de redes grandes y complejas. Sin embargo, las redes neuronales gráficas convencionales (GNN) a menudo luchan con la precisión cuando los nodos “extra” o irrelevantes en los datos interfieren con el proceso de coincidencia.
Para abordar esto, el equipo de la Universidad de Kumamoto, dirigido por el profesor Motoki Amagasaki y el profesor asistente Masato Kiyama de la Facultad de Ciencia y Tecnología, creó EndNet (red de decisiones extra nodo), un modelo de IA innovador que puede identificar y neutralizar la influencia de estos nodos adicionales.
EndNet presenta tres mecanismos clave:
Detección extra nodos utilizando una matriz de coincidencia desnormalizada, que identifica nodos irrelevantes y suprime su influencia al establecer sus valores de características en cero. Propagación unidireccional, un mecanismo que agudiza la alineación de características entre la consulta y los gráficos de datos. Convolución de gráfico compartido, un nuevo método de convolución que utiliza funciones sigmoidales para refinar la extracción de características.
Las pruebas en cuatro conjuntos de datos abiertos mostraron que EndNet supera los modelos existentes, lo que alcanza una precisión de hasta un 99.1% en el conjunto de datos COX2, un salto significativo de 91.6% con métodos anteriores. Los estudios de ablación confirmaron que cada componente de EndNet contribuye a su alto rendimiento.
“EndNet abre posibilidades emocionantes para aplicar la coincidencia de subgrafos a datos del mundo real como redes biológicas, estructuras moleculares y gráficos sociales”, dice el profesor asistente Kiyama. “También anticipamos su extensión a conjuntos de datos más grandes en el futuro”.
El código fuente está disponible abiertamente en GitHub, alentando un mayor desarrollo por parte de la comunidad de IA más amplia.
Más información: Masaki Shirotani et al, Endnet: red de decisiones extra nodo para la coincidencia de subgrafías, IEEE Access (2025). Doi: 10.1109/access.2025.3543206
Código fuente en Github
Proporcionado por la Universidad de Kumamoto
Cita: el modelo de aprendizaje profundo mejora drásticamente la precisión de la coincidencia de subgrafías al eliminar el ruido (2025, 13 de mayo) Recuperado el 13 de mayo de 2025 de https://techxplore.com/news/2025-05-deep-subgraph-accuracy-noise.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
