计算机科学>人工智能
标题: 生物医学知识图链接预测中不可靠交互的去噪学习
摘要: 生物医学知识图(KG)中的链接预测旨在预测实体之间未知的相互作用,包括药物-靶点相互作用(DTI)和药物-药物相互作用(DDI),这对药物发现和治疗至关重要。 以前的方法倾向于利用KG丰富的语义关系和拓扑结构来预测缺失的链接,从而产生有希望的结果。 然而,所有这些工作都只关注于提高预测性能,而没有考虑KG中不可避免的噪声和不可靠的相互作用,这限制了基于KG的计算方法的发展。 为了解决这些限制,我们提出了一个去噪链接预测框架,称为DenoisedLP。 DenoisedLP通过以可学习的方式去噪噪声链接,基于局部子图获得可靠的交互,为挖掘潜在的任务相关关系提供了通用模块。 为了与平滑的语义信息协作,DenoisedLP通过模糊预测链接周围的冲突关系来引入语义子图。 通过最大化可靠结构和平滑语义关系之间的互信息,DenoisedLP强调预测关系特定链接的信息交互。 在真实数据集上的实验结果表明,去噪LP在DTI和DDI预测任务上的性能优于现有方法,并验证了去噪不可靠交互对受污染KG的有效性和鲁棒性。