XiaoMi-AI文件搜索系统
World File Search SystemGCN
用于多中心 ASD 分类的可逆动态图卷积网络
自闭症谱系障碍 (ASD) 是一种常见的发育障碍，其症状和严重程度差异很大，使得自闭症的诊断成为一项具有挑战性的任务。现有的使用大脑连接特征对自闭症进行分类的深度学习模型由于特征表示能力有限和可解释性不足，在多中心数据上仍然表现不佳。鉴于图卷积网络 (GCN) 在学习大脑连接网络的判别性表示方面表现出色，本文提出了一个可逆动态 GCN 模型来识别自闭症并研究与该疾病相关的连接模式的改变。为了从模型中选择可解释的特征，在整个网络中引入了可逆块，我们能够从网络的输出中重建输入的动态特征。采用连接特征的预筛选来减少输入信息的冗余，并添加全连接层进行分类。对 867 名受试者的实验结果表明，我们提出的方法实现了卓越的疾病分类性能。它为大脑连接分析提供了可解释的深度学习模型，在研究大脑相关疾病方面具有巨大潜力。
应用数学和非线性科学
在本文中，颜色图像在图像识别预处理阶段中转换为灰度图像，以加速图像识别处理，然后通过灰度伸展来增强图像对比度，以计算灰度层层协方差矩阵和图像纹理特征。多步马尔可夫聚类方法来优化GCN，并添加实例归一化层和批归归式层，以增强GCN的源域表示能力，形成基于成对概括网络的跨域图像识别算法。通过人工智能图像识别和图像处理技术详细说明图像信息的视觉设计路径，将图像识别技术引入视觉设计领域，建立视觉设计分区模型，并完全提取计算机图像图形的本地特征信息。使用数据集评估成对概括网络的性能，并进行仿真实验以分析视觉设计的视觉表达效果。PGN-RM方法，加上最大平均距离，实例归一化和批归其归一化，能够达到91.843的性能平均值。产品包装视觉设计的实际效果图像的峰值信噪比保持在[95.0312，97.0032]的范围内，这是一种极好的视觉设计效果。使用人工智能图形识别技术的视觉设计可以更深入地表达设计思想，并增强视觉设计的吸引力。
基于图的能源杂种学习人形机器人>语音情绪识别
摘要：本文介绍了一种针对语音情感的新型基于图形的学习技术，该技术已专门针对人形机器人内的能源有效部署而定制。我们的方法论代表了可扩展图表示的融合，该图表源于图形信号处理理论的基础原理。通过研究循环或线图的利用，作为塑造强大的图形卷积网络（GCN）构造的基本成分，我们提出了一种方法，可以允许捕获语音信号之间的关系以解码复杂的情感模式和反应。我们的方法与诸如IEMOCAP和MSP -IMPROV之类的既定数据库进行了验证和基准测试。我们的模型优于稳定的GCN和普遍的深度图体系结构，证明了与ART方法论状态相符的性能水平。值得注意的是，我们的模型在显着减少了可学习参数的数量的同时，实现了这一壮举，从而提高了计算效率并加强其对资源约束环境的适用性。这种提出的基于图形的杂种学习方法用于人形机器人内的多模式情绪识别。其提供竞争性能的能力，同时简化计算复杂性和能源效率，这代表了一种新颖的情绪识别系统的新方法，可以满足各种真实世界的应用，其中人类机器人中情绪识别的精确性是一个关键的必要条件。
图形卷积网络辅助海洋变量预测，其时空进化的多特征学建模
摘要 - 海洋变量的变化，例如海面温度（SST）和叶绿素-A（CHL-A），对海洋生态系统和全球气候变化具有重要意义。可以使用依赖卷积神经网络的深度学习方法来提取海洋变量预测的空间相关性。然而，在某些地区（例如土地和岛屿）对海洋变量预测无效的情况下，这些方法具有影响。相比之下，图形卷积网络（GCN）能够捕获不规则数据中存在的大规模空间依赖性。因此，在本文中，我们提出了一种基于GCN的预测海洋变量的方法，即SST和CHL-A，称其为OVPGCN，以实现高清。提出的OVPGCN由三个模块组成，旨在通过对时空动力学演化的多特征进行建模，以完全提取空间相关性和时间依赖性。特别是，在最近的时空序列，不同站点之间的空间差异和历史数据中的周期性特征中，实现了三个模块来提取固定和非平稳变化。精心设计的OVPGCN适用于Bohai Sea和South South South Sea（NSCS）的每月SST和CHL-A预测。性能表明，所提出的OVPGCN非常有效，并使预测准确性比最先进的方法更高。
DHGCN：动态HOP图形卷积网络...
最近的工作试图将图形卷积网络（GCN）扩展到指向分类和分割任务的云。这些作品倾向于在本地进行采样和小组点，并主要集中于通过GCN提取本地特征，同时忽略了点集之间的关系。在本文中，我们提出了Dy-Namic Hop图卷积网络（DHGCN），以详细学习Vox-opiend点部分之间的上下文关系，这些部分被视为图形节点。通过直觉，即上下文信息之间存在的角度在于成对的邻近关系，可以通过图形的跳跃距离来描绘，我们设计了一个新颖的零件级别的霍普距离距离距离距离距离距离重建任务，并设计出一种新颖的损失损失，以相应地训练训练。此外，我们提出了Hop图（HGA），该图将HOP距离作为产生注意力重量的输入，从而可以在聚集中有明显的贡献。最终，提出的DHGCN是一种与基于点的骨干网络兼容的插件模块。对不同骨干和任务的全面实验表明，我们的自我监管方法实现了状态的表现。我们的源代码可在以下网址提供：https：//github.com/jinec98/dhgcn。
基于EEG的高性能抑郁状态识别 5-HT6受体配体的效果与... 结合 3D微/纳米水凝胶结构由二... 制造 基于氧化石墨烯的2D/3D复合材料，用于增强环氧涂层的抗腐蚀特性 文章通过高纤维曲线加密增强了车辆互联网中的隐私 算法翻译校正机制
抑郁症是一种对人有害的全球疾病。基于各种规模的传统识别方法不够客观和准确。脑电图（EEG）包含丰富的生理信息，这使其成为识别抑郁状态的新研究方向。但是，大多数基于EEG的算法仅提取原始的EEG特征，而忽略复杂的时空信息相互作用，这将降低性能。因此，迫切需要一种更准确和客观的抑郁识别方法。在这项工作中，我们提出了一种新型的抑郁识别模型：W-GCN-GRU。在我们提出的方法中，我们根据Spearman的等级相关系数审查了六个敏感特征，并通过AUC分配了不同的权重系数，以通过AUC进行敏感特征的加权融合。特别是，我们将基于加权敏感特征作为抑郁识别模型的GCN和GRU级联网络使用。对于GCN，我们创造性地基于相关系数矩阵将脑功能网络作为邻接矩阵输入和加权融合敏感的特征用作节点特征矩阵输入。我们所提出的模型在我们的自我收集的数据集和MODMA数据集上表现良好，精度为94.72％，表现优于其他方法。我们的发现表明，特征维度降低，加权融合和脑电图空间信息都对抑郁识别产生了很大影响。
主题感知的Riemannian图神经网络具有生成对抗性学习
图是复杂结构的典型非欧几里得数据。近年来，Riemannian图表的学习已成为欧几里得学习的令人兴奋的替代方法。，里曼尼亚方法仍处于早期阶段：无论结构复杂性如何，大多数方法都会出现单个曲率（半径），由于指数/对数映射而导致数值不稳定，并且缺乏捕获基调规律性的能力。鉴于上述问题，我们提出了主题感知的Riemannian图表的问题，寻求数值稳定的编码器，以在带有无标签的多样化曲面中限制基序的规律性。为此，我们提供了一种具有生成对比度学习（Motifrgc）的新型主题Riemannian模型，该模型以一种自我监督的方式在Riemannian歧管中进行了Minmax游戏。首先，我们提出了一种新型的Riemannian GCN（D-GCN），在该GCN（D-GCN）中，我们用di-Versifed因子构建了由产品层构建多种狂热的歧管，并用稳定的内核层代替了指数/对数映射。第二，我们引入了一种主题感知的riemannian生成对比学习，以捕获构造的歧管中的主题规律性，并在没有外部标签的情况下学习主题感知的节点表示。经验结果表明了Mofrgc的优越性。
e 2 CB2Former：CB2受体配体活性预测的效率和可解释的变压器
摘要 - CB2受体配体活性的准确预测是针对该受体的药物发现的关键，这与炎症，疼痛管理和神经退行性疾病有关。尽管传统的机器学习和深度学习技术已经显示出希望，但其有限的解释性仍然是理性药物设计的重要障碍。在这项工作中，我们介绍了CB2Former，该框架将图形卷积网络（GCN）与变压器体系结构相结合以预测CB2受体配体活动。通过利用变压器的自我发项机制以及GCN的结构学习能力，CB2Former不仅增强了预测性能，而且还提供了对受体活性基础分子特征的见解。我们针对各种基线模型进行基准测试，包括随机森林，支持矢量机，最近的邻居，梯度增强，极端梯度增强，多层感知器，卷积神经网络和重复的神经网络，并以0.685的0.685和0.685和0.67的0.67和0.67 and and and and and and and and and and and and and and and and 0.675，并表现出优势。此外，注意力重量分析揭示了影响CB2受体活动的关键分子子结构，强调了该模型作为可解释的AI的潜力。这种指出关键分子基序的能力可以简化虚拟筛选，指导铅优化和加快治疗性发育。总的来说，我们的结果展示了先进的AI方法（例如CB2Former）在提供准确的预测和可操作的分子见解方面的变革潜力，从而促进了药物发现中的跨学科合作和创新。
沉积DNA和颜料显示人类世期间氰基Habs的丰度和毒性的增加
fi g u r e 3推断出的蓝细菌16S rRNA丰度（GCN/g湿沉积物）与来自三个湖泊沉积物核心的高通量测序的时间。顶部面板按顺序显示分布，中间和底部面板分别显示了怀旧和chroocococcales中存在的属。数十年来，每个核心都在每个核心内汇总了丰度数据。白线代表每个彩色条内下一个最低分类学水平的细分（例如，属于顺序）。y轴是正方形的，以更好地可视化数据。如果顺序或属未知，则指示下一个最高的分类学分配。
微生物学和微生物组研究的人工智能1
图1。深度学习技术的分类学。图改编自参考[70]。MLP: Multi-Layer Perceptron; CNN: Convolutional Neural Network; ResNet: Residual Neural Net- work; GCN: Graph Convolutional Network; GAT: Graph Attention Network; RNN: Recurrent Neural Network; LSTM: Long Short-Term Memory; GRU: Gated Recurrent Unit; SAT: Structure- Aware Transformer; GAN: Generative Adversarial Network; AE: Auto-Encoder; SAE：稀疏自动编码器； DAE：DENOISISIS AUTOCODER; CAE：CASSITIVE AUTOCONEDER; VAE：VIRIATIANIT AUTOCONECODER; SOM：自组织映射； RBM：限制性Boltzmann Machine; DBN; DBN; DBN：深信信念网络：DRL：DRL：DRL：深度强化：深度强化学习。