论文阅读系列–CNN网络架构篇
1. GNNRank: Learning Global Rankings from Pairwise Comparisons via Directed Graph Neural Networks
一句话摘要: 利用GNN实现从两两的比较中恢复全局排名。
论文之我问:
1.1 这个论文的动机是什么
众所周知，从反映相对潜在优势或分数的成对比较中恢复全局排名是信息检索中的一个基本问题。在分析大规模数据集时，人们通常会寻求各种形式的数据排序（即排序），以识别最重要的条目、有效计算搜索和排序操作或提取主要特征。这个问题的应用很广，包括亚马逊的 Mechanical Turk 众包系统、Netflix提供的电影推荐系统以及足球比赛等的排名等都需要用到两两的排名比较信息来得到全局的排名。然而，解决排名估计问题的现有方法迄今尚未利用强大的神经网络架构来优化排名目标。因此，我们用神经网络增强了某种排序算法，特别是图神经网络 (GNN)，因为它与手头问题的内在联系。
1.2 这篇论文的研究框架是什么样的
如图1所示。 输入是一个基因表达矩阵，会连续过3个autoencoder然后再循环的过程中完成聚类和图的构建。
如图2所示。scGNN 自编码器架构。
值得一提的是，B种的输入Graph是由knn构建，然后图的聚类是由k-means and Louvain实现。converge的两个条件分别是(1)图的变化比率小于某个阈值，即图已经稳定，(2)细胞类型的变化比率小于某个阈值，即细胞聚类已经稳定。
1.3 这篇论文的实验效果
scGNN的一些evaluation, 具体可以参考原文。
