Inferring dynamic regulatory interaction graphs from time series data with perturbations

要約

複雑なシステムは、時間の経過とともに動的に進化するエンティティ間の複雑な相互作用によって特徴付けられます。
これらの動的な関係を正確に推論することは、システムの動作を理解して予測するために非常に重要です。
この論文では、時空間グラフ アテンションとグラフ ニューラル常微分方程式 (ODE) の新しい組み合わせを使用して、複雑なシステムにおける時変相互作用グラフを推論するための Regulatory Temporal Interaction Network Inference (RiTINI) を提案します。
RiTINI は、基礎となるシステムのダイナミクスを効果的にキャプチャするために、事前のグラフ上のタイムラプス信号とさまざまなノードでの信号の摂動を活用します。
このアプローチは、非循環グラフと静的グラフの推論に限定されている従来の因果推論ネットワークとは異なります。
対照的に、RiTINI は循環グラフ、有向グラフ、および時間変化グラフを推論でき、複雑なシステムをより包括的かつ正確に表現できます。
RiTINI のグラフ アテンション メカニズムにより、モデルは時間と空間における最も関連性の高い相互作用に適応的に焦点を当てることができ、グラフ ニューラル ODE によりシステムのダイナミクスの連続時間モデリングが可能になります。
さまざまなシミュレートされた現実世界のデータセットで RiTINI のパフォーマンスを評価し、以前の方法と比較して相互作用グラフを推論する最先端の機能を実証します。

要約(オリジナル)

Complex systems are characterized by intricate interactions between entities that evolve dynamically over time. Accurate inference of these dynamic relationships is crucial for understanding and predicting system behavior. In this paper, we propose Regulatory Temporal Interaction Network Inference (RiTINI) for inferring time-varying interaction graphs in complex systems using a novel combination of space-and-time graph attentions and graph neural ordinary differential equations (ODEs). RiTINI leverages time-lapse signals on a graph prior, as well as perturbations of signals at various nodes in order to effectively capture the dynamics of the underlying system. This approach is distinct from traditional causal inference networks, which are limited to inferring acyclic and static graphs. In contrast, RiTINI can infer cyclic, directed, and time-varying graphs, providing a more comprehensive and accurate representation of complex systems. The graph attention mechanism in RiTINI allows the model to adaptively focus on the most relevant interactions in time and space, while the graph neural ODEs enable continuous-time modeling of the system’s dynamics. We evaluate RiTINI’s performance on various simulated and real-world datasets, demonstrating its state-of-the-art capability in inferring interaction graphs compared to previous methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google