XiaoMi-AI文件搜索系统
World File Search SystemGCN
用分餐盒在2型糖尿病患者中优化血糖控制：一项随机对照试验
结果：与基线相比，GCN和PMB在第6周和12周都表现出HBA1C水平的降低。但是，在第6周或第12周，GCN和PMB之间的HBA1C均未观察到HBA1C的显着差异。在干预期间，使用PMB至少四次显着降低了HBA1C（在第6周和第12周分别与基线相比，P = 0.021和P <0.001）。观察到人体成分的变化：仅PMB的体重减少，两组的体内脂肪减少和恒定的肌肉质量。这两种方法都倾向于减轻两组的饥饿和增加的饱腹感。满意度评估表明，参与者更喜欢在GCN上使用PMB（P = 0.001）。此外，参与者在PMB中消耗了较少的能量，碳水化合物和脂肪（P = 0.001，P = 0.019和P = 0.001），GCN中的能量和脂肪较少（分别为P = 0.006和P = 0.001）。
论 NISQ 时代及以后的量子图卷积神经网络设计
摘要 — 图卷积神经网络 (GCN) 的大小快速增长，在传统计算平台（例如 CPU、GPU、FPGA 等）上遇到了计算和内存瓶颈。另一方面，量子计算为计算提供了极高的并行性。尽管最近对量子神经网络进行了研究，但对量子图神经网络的研究仍处于起步阶段。这里的关键挑战是如何将图拓扑信息和 GCN 的学习能力集成到量子电路中。在这项工作中，我们利用 Givens 旋转及其量子实现来编码图信息；此外，我们采用广泛使用的变分量子电路来引入可学习参数。在此基础上，我们提出了一种全量子设计的图卷积神经网络，即“QuGCN”，用于图结构数据的半监督学习。实验结果表明，我们的设计在 Cora 子数据集上的节点分类准确率方面可与经典 GCN 相媲美。更重要的是，我们展示了当特征数量增加时，所提出的量子 GCN 设计可以实现的潜在优势。
朝着基于学习的分布式任务分配...
摘要 - 本文引入了图形卷积网络（GCN）的新应用，以提高基于共识的捆绑算法（CBBA）在多机器人任务分配方案中的效率。本研究中提出的方法在于基于学习的策略的整合，以近似于CBBA框架中用于评分的传统启发式方法。通过采用GCN，提出的方法旨在学习和预测分数功能，这对于多机器人系统中的任务分配决策至关重要。这种方法不仅简化了分配过程，而且还可以提高机器人之间任务分布的准确性和效率。本文介绍了如何有效地针对此特定应用定制GCN的详细探索，以及结果证明了这种基于学习的方法比常规启发式方法在各种模拟的多机器人任务分配方案中的优势。关键字 - 任务分配，多机器人系统，分布式算法，图形卷积神经网络
图形卷积网络用于模拟多孔介质中的多相流量和传输
多孔介质中多相流体动力学的数值模拟对于地球地下的许多能量和环境应用至关重要。数据驱动的次要模型为高保真数字模拟器提供了计算廉价的替代方案。虽然常用的卷积神经网络（CNN）在近似部分微分方程解决方案方面具有强大的功能，但CNN处理不规则和非结构化的模拟网格仍然具有挑战性。然而，地球地下的模拟模型通常涉及与复杂的网格网格的非结构化网格，从而限制了CNN的应用。为了应对这一挑战，我们基于图形卷积网络（GCN）构建了替代模型，以近似多孔介质中多相流和传输过程的空间 - 周期解。我们提出了一种适合耦合PDE系统双曲线特征的新GCN体系结构，以更好地捕获传输动力学。2D异质测试案例的结果表明，我们的替代物以高精度预测压力和饱和状态的演变，并且预测的推出对于多个时间步中仍然稳定。此外，基于GCN的模型可以很好地推广到训练数据集中看不见的不规则域几何和非结构化网格。
盾：LLM驱动的架构诱导EV电池供应链中的预测分析
电动汽车（EV）电池供应链易受破坏的脆弱性，需要进行高级预测分析。我们提出了屏蔽（基于模式的层次结构诱导电动汽车供应链破坏），这是一种将大型语言模型（LLMS）与域专业知识集成的系统，用于电动电动电动电动电动电池电池支持链风险评估。屏蔽台：（1）LLM驱动的模式学习以结构全面的知识库，（2）使用微调语言模型进行事件提取，多维相似性，用于架构匹配的多维相似性，以及与图形卷积网络（GCN）的多维相似性（GCN），以及用于逻辑结构的访问 - 访问和（3） - 访问 - 3） - 3）增强决策。在365个来源（2022-2023）的12,070段中进行了评估，Shield优于基线GCN和LLM+提示方法（例如gpt-4O）在中断预测中。这些结果将盾牌在将LLM功能与领域专业知识相结合的有效性中，以进行供应链风险评估。1简介
使用 HyperGraphs 的 FDG-PET 图像增强抑郁症诊断
摘要 — 本研究探讨了图神经网络 (GNN) 和超图在使用氟脱氧葡萄糖正电子发射断层扫描 (FDG-PET) 图像改善抑郁症诊断的潜力。我们使用核密度估计和动态时间规整从单个静态 FDG-PET 图像构建图形和超图表示。在本地精神病数据集上使用各种 GNN 分类器（包括图卷积网络 (GCN) 和图同构网络 (GIN)）评估这些表示。我们的实验表明，与成对图相比，GNN（尤其是 GCN）在超图上的性能更优越。我们强调了基于超图的表示在捕捉与抑郁症相关的复杂模式方面的整体功效。此外，我们对超图表示的探索为提高诊断准确性提供了有希望的途径，特别是在捕捉复杂的大脑连接模式方面。这项研究为 GNN 有助于使用 FDG-PET 图像更好地诊断精神疾病提供了证据，为个性化治疗策略和跨不同临床环境的诊断进步提供了见解。索引词 — 抑郁症、FDG-PET、KDE、DTW、图、超图、图神经网络、GIN、GCN。
用于高光谱图像分类的多尺度动态图卷积网络
摘要 —卷积神经网络（CNN）在高光谱图像表示方面表现出色，并在高光谱图像分类中取得了良好的效果。然而，传统的 CNN 模型只能对具有固定大小和权重的规则方形图像区域进行卷积，因此，它们不能普遍适应具有各种对象分布和几何外观的不同局部区域。因此，它们的分类性能还有待提高，特别是在类边界方面。为了弥补这一缺点，我们考虑采用最近提出的图卷积网络（GCN）进行高光谱图像分类，因为它可以对任意结构的非欧几里得数据进行卷积，适用于由图拓扑信息表示的不规则图像区域。与常用的在固定图上工作的 GCN 模型不同，我们使图能够动态更新
AI和大型模型的基础
近年来，基于深度卷积网络的对象重新识别（REID）的性能已达到很高的水平，并且取得了不错的进步。现有方法仅着眼于特征和分类精度的鲁棒性，而忽略了不同特征之间的关系（即画廊 - 壁画对之间的关系或探测 - 探针对之间的关系）。特别是，位于决策边界的探针是抑制对象REID性能的关键。我们将此探针视为硬样本。最近的研究表明，图形卷积网络（GCN）显着改善了特征之间的关系。但是，将GCN应用于对象REID仍然是一个悬而未决的问题。本文提出了两个可学习的GCN模块：特征聚合图卷积网络（FA-GCN）和评估连接图卷积网络（EC-GCN）。具体来说，预处理选择一个任意特征提取网络来提取对象REID数据集中的功能。给定探针，FA-GCN通过画廊集的亲和力图聚集了相邻节点。之后，EC-GCN使用随机概率库采样器来构建子图，以评估探针 - 壁画对的连通性。最后，我们将节点特征和连接比共同汇总为一个新的距离矩阵。对两个人REID数据集（Market-1501和Dukemtmc-Reid）和一个车辆REID数据集（VERI-776）的实验结果表明，所提出的方法可实现最先进的性能。
PGCN：用于脑电图识别的金字塔图卷积网络
摘要 - 情感识别对于各种精神疾病的诊断和康复至关重要。在过去的十年中，由于其突出的准确性和可靠性，对基于脑电图（EEG）的情绪识别进行了深入研究，并且图形卷积网络（GCN）已成为解释EEG信号的主流模型。然而，尽管已证明这种关系在情感识别中很重要，但电极关系，尤其是整个头皮的远距离触发依赖性。小型接受领域仅使较浅的GCN仅聚集局部淋巴结。另一方面，堆叠太多的层会导致过度光滑。为了解决这些问题，我们提出了锥体图卷积网络（PGCN），该网络汇总了三个级别的特征：局部，中镜和全局。首先，我们基于电极的3D拓扑关系构建一个香草GCN，该拓扑关系用于整合两阶局部特征。其次，我们基于先验知识构建了几个介观脑区域，并采用介观的关注来依次计算虚拟的介观中心，以关注介观脑区域的功能连接；最后，我们融合了节点特征及其3D位置，以构建数值关系邻接矩阵，以从全局的角度整合结构和功能连接。在三个公共数据集上的实验结果表明，PGCN在头皮上增强了关系模式，并在受试者独立的场景和主题独立的方案中实现了最先进的性能。同时，PGCN在增强网络深度和接受领域之间做出了有效的权衡，同时抑制了随之而来的过度光滑。我们的代码可在https://github.com/jinminbox/pgcn上公开访问。