XiaoMi-AI文件搜索系统
World File Search System深神
来宾社论：图形的深神经网络
I. i tratotuction for Graphs（DNNG）代表了一个新兴领域，该领域研究如何将深度学习方法推广到图形结构化数据。由于图是一种功能强大且灵活的工具，可代表模式及其关系形式的复杂信息，从分子到蛋白质到蛋白质相互作用网络，再到社交或运输网络，或者在知识图上，或者在非常不同的范围内建模系统，这些方法已被用于许多应用领域。Since the pioneering works on trees, namely Recursive Neural Networks [1], [2], and directed acyclic graphs [3], [4], up to methods extended to general graphs, both by recursive approaches (namely Graph Neural Networks (GNNs) [5], [6]), or Graph Convolutional Network approaches (namely NN4Gs [7], GCNs, etc.），已经提出了许多用于图的神经模型[8]，[9]。此外，除了纯神经网络范式之外，已经引入了术语深图网络（DGN），还包括基于贝叶斯的和生成的图形网络[9]。特别是在2015年之后，已经引入了更广泛的模型，并且在其各种化身中，DNNG和DGNS已成为图形表示在学习任务中的显着能力（例如节点分类，图形分类，图形分类，图形，图形和链接预测）的强烈研究的话题。目睹了对该领域的兴趣，已经出现了许多调查，例如[8]，[9]和调查文件[8]获得了2024 IEEE TNNLS杰出纸质奖。但是，这一研究和应用领域仍然具有很高的活力且不断增长[10]。的确，DNNG和相关领域的越来越多的作品表明，学术和工业社区对开发更先进的技术和算法的需求仍然相当大，请考虑包含可信赖的
稀疏深神经网络的算法和理论方面
2从稀疏的深神经网络到稀疏基质分解22 2.1神经网络简介。。。。。。。。。。。。。。。。。。。。。。。22 2.1.1神经网络的定义。。。。。。。。。。。。。。。。。。。。。。22 2.1.2神经网络的培训问题。。。。。。。。。。。。。。。。。。24 2.2稀疏神经网络的简介。。。。。。。。。。。。。。。。。。。25 2.2.1稀疏神经网络：定义和培训问题。。。。。。25 2.2.2稀疏深神经网络培训的实用方法。。。。。。。。29 2.2.3关于稀疏深神经网络的理论。。。。。。。。。。。。。34 2.3稀疏基质分解及其与稀疏深神经网络的关系。35 2.3.1问题制定和与稀疏深神经网络的第一个关系。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。35 2.3.2稀疏基质分解的算法以及稀疏DNNS训练中与修剪/再培训方法的关系。。。。。。。。。。。36 2.3.3稀疏基质分解的其他应用。。。。。。。。。。。38 2.3.4稀疏基质分解的相关作品。。。。。。。。。。。。。40 2.4固定支持矩阵分解。。。。。。。。。。。。。。。。。。。。。。。44 2.4.1问题公式。。。。。。。。。。。。。。。。。。。。。。。。。。。44 2.4.2固定支持基质分解的动机。。。45 2.4.3固定支持矩阵分解的众所周知的实例。。。。。47 2.5论文的前景。。。。。。。。。。。。。。。。。。。。。。。。。。。。。49
基于基因表达的表型预测深神经网络的生物学解释
摘要背景：使用预测基因标志来协助临床决策变得越来越重要。深度学习在基因表达谱的表型预测中具有巨大的潜力。但是，神经网络被视为黑匣子，在没有任何解释的情况下，提供了准确的预测。这些模型变得可解释的要求正在增加，尤其是在医学领域。结果：我们专注于解释由基因表达数据构建的深神经网络模型的预测。影响预测的最重要的神经元和基因被鉴定出来并与生物学知识有关。我们对CAN-CER预测的实验表明：（1）深度学习方法优于大型训练集的经典机器学习方法； （2）我们的方法产生的解释与生物学比最先进的方法更连贯； （3）我们可以对生物学家和医生的预测提供全面的解释。结论：我们提出了一种原始方法，用于从基因表达数据中对表型预测深度学习模型的生物学解释。由于模型可以找到表型和基因表达之间的关系，因此我们可以假设已鉴定的基因与表型之间存在联系。因此，解释可以导致生物学家研究新的生物学假设。
表征深神经网络中子诱导的断层模型
摘要 - 在图形处理单元（GPU）上执行的深神经网络（DNN）的可靠性评估是一个具有挑战性的问题，因为硬件体系结构非常复杂，软件框架由许多抽象层组成。虽然软件级故障注入是评估复杂应用程序可靠性的一种常见且快速的方法，但它可能会产生不切实际的结果，因为它对硬件资源的访问有限，并且采用的故障模型可能太幼稚（即单位和双位翻转）。相反，用中子光束注射物理断层提供了现实的错误率，但缺乏故障传播可见性。本文提出了DNN故障模型的表征，该模型在软件级别结合了中子束实验和故障注入。我们将运行一般矩阵乘法（GEMM）和DNN的GPU暴露于梁中子，以测量其错误率。在DNNS上，我们观察到关键错误的百分比可能高达61％，并表明ECC在减少关键错误方面无效。然后，我们使用RTL模拟得出的故障模型进行了互补的软件级故障注入。我们的结果表明，通过注射复杂的断层模型，Yolov3的误导率被验证为非常接近通过光束实验测得的速率，该速率比仅使用单位倒换的断层注射测量的频率高8.66倍。
使用深神网络和基于特征的融合
这项研究通过将深度神经网络（DNN）模型与基于特征的融合整合在一起，介绍了一种创新的药物配方优化方法。该研究利用各种数据集，包括分子数据库，生物反应数据集和药代动力学信息，以对影响生物系统中药物行为的复杂因素进行整体理解。DNN模型以其处理高维数据和捕获复杂关系的能力而被选为基于特征的融合，以增强药物制剂的认知策略。在10个试验中进行的模型的定量评估产生了令人鼓舞的结果。DNN模型表现出值得称赞的性能，平均精度为91.8％，精度为89.2％，召回93.5％，F1得分为91.3％。但是，基于特征的融合方法始终优于DNN，平均准确度为93.5％，精度为91.7％，召回94.6％，F1得分为92.8％。这些结果突出了基于特征的融合方法在优化药物制剂，展示更高的定量指标以及精确度和召回之间更加平衡的权衡方面的优越性。这项研究通过提供一个结合高级认知策略的强大框架来推动药物制定领域，从而有助于更有效和个性化的治疗干预措施。
对深神经网络的近似软函数的定量评估
摘要 - 软马克斯函数用作放置在神经网络输出层中的激活函数。它允许提取输出类的概率，同时向模型引入非线性。在低端FPGA领域，深神经网络（DNN）的实现需要探索优化技术，以提高计算效率和硬件资源消耗。这项工作探讨了使用Taylor和Pad'E近似方法以及带有查找表（LUTS）的插值方法来促进软效果的近似计算技术。引入近似值旨在减少所需的执行时间，同时降低SoftMax函数产生的结果的精度。使用均方根误差（RMSE）评估每个实现，以进行准确评估，并通过测量执行时间来验证个人绩效。从我们的评估中，使用LUTS的二次插值实现了最低的错误，但是在性能方面，泰勒和垫子近似显示了更好的执行时间，这突出了数值准确性和功耗之间的现有设计权衡。索引项 - 评估计算，高级合成，推理算法，神经网络压缩，多层感知器。
semdeep：具有深神网络和机器学习的结构方程建模
lundberg＆Lee（2017）提出了一种统一的方法，以应用局部解释性（单个样本中单个变量的可变分配）和全局解释性（整个模型的可变概述），通过应用Shapley（1953）提出的游戏理论的收益原理的公平分布，通过应用收益原理的公平分布。现在称为Shap（Shapley添加说明），该建议的框架解释了ML模型的预测，其中输入变量代替了玩家，并且使用Shapley值来衡量它们对特定预测的贡献。连续地，Redell（2019）提出了一个度量标准，该指标将Shapley值的添加特性与Gelman（2018）的R平方（R2）的鲁棒性相结合，以产生一个方差分解，以准确地将每个变量对模型的探索功率的贡献进行贡献。我们还使用签名的R2，以表示与线性SEM一致的连接的调节，因为DAG中的边缘表示节点调节（如果阳性；如果抑制，如果为阴性）。使用符号（beta）（即，来自输入节点上的输出节点的线性模型（LM）拟合的系数估计值）的符号已被重新覆盖。此外，为了确定节点调节相对于DAG的局部意义，可以通过将其输入节点的ShapleyR2求和来计算每个结果节点的R-squared值的塑形分解（r = 1，...，...，r）。因此，该函数使用进度条来检查每个观察值的内核形状评估的进度。最后，应该注意的是，计算内核形状值所需的操作本质上是耗时的，计算时间与预测变量数量和观测值的数量成正比。
asgard：使用基于虚拟化的可信执行环境保护设备上的深神经网络
我们提出了Asgard，这是第一个基于虚拟化的TEE解决方案，旨在保护传统ARMV8-A SOC的设备DNN。与使用基于信任的TEE进行模型保护的先前工作不同，Asgard的T恤仍然与现有专有软件兼容，保持可信赖的计算基础（TCB）最小值，并在接近零时的运行时开销。到此为止，Asgard（i）（i）通过安全的I/O传球牢固地延长了现有TEE的界限，以通过安全的I/O传球结合了SOC集成加速器，（ii）通过我们积极进取的且安全性的平台和应用程序级别的TCB Debloating Techiques和（IIIIIII）exite-iii iii iii nordie-irie-irie norder-irie norder-irie norder-irie norder-irie norder-irique tcb紧紧控制TCB的大小。合并DNN执行计划。我们在RK3588S上实施了ASGARD，这是一个基于ARMV8.2-A的商品Android平台，配备了Rockchip NPU，而无需修改Rockchip-和Armpriperipary软件。我们的评估表明，Asgard有效地保护了TCB大小和可忽略不计的推理潜伏期的传统Soc中的设备DNN。
