本文提出了一种基于自适应图的多标签图像分类方法。基于图的方法在多标签分类领域已在很大程度上被利用,因为它们的标签相关性模型。 具体来说,它们的有效性不仅在考虑一个域时,而且在考虑多个领域时也得到了证明。 但是,使用的图形的拓扑并不是最佳的,因为它是预先定义的启发式。 此外,连续图卷积网络(GCN)聚集倾向于破坏特征相似性。 为了克服这些问题,引入了用于以端到端方式学习图形连接性的体系结构。 这是通过整合基于注意力的机制和具有相似性的策略来完成的。 然后,使用对抗训练方案将所提出的框架扩展到多个领域。 对众所周知的单域和多域基准进行了许多实验。 结果表明,我们的方法以平均平均精度(MAP)和模型大小与最先进的方法相比,取得了竞争成果。 该代码将公开可用。基于图的方法在多标签分类领域已在很大程度上被利用,因为它们的标签相关性模型。具体来说,它们的有效性不仅在考虑一个域时,而且在考虑多个领域时也得到了证明。但是,使用的图形的拓扑并不是最佳的,因为它是预先定义的启发式。此外,连续图卷积网络(GCN)聚集倾向于破坏特征相似性。为了克服这些问题,引入了用于以端到端方式学习图形连接性的体系结构。这是通过整合基于注意力的机制和具有相似性的策略来完成的。然后,使用对抗训练方案将所提出的框架扩展到多个领域。对众所周知的单域和多域基准进行了许多实验。结果表明,我们的方法以平均平均精度(MAP)和模型大小与最先进的方法相比,取得了竞争成果。该代码将公开可用。
教学大纲:1。图理论和网络科学背景(≈25%)A。基本定义和符号B.关键属性和概念C.网络分析基础D.应用 /激励示例2。< / div>图形模型(≈37.5%)A。图形模型的概述B.定向图形模型(贝叶斯网络)C。无向图形模型(马尔可夫随机字段)D。推理方法和不确定性E.图形模型中的学习。应用程序3。基于图的神经网络和几何深度学习(≈37.5%)A。为什么图形神经网络(GNN)?B.早期图形嵌入方法C.图形卷积网络(GCN)D. GNN体系结构的变体E.几何深度学习中的主题F.培训和实际考虑G.应用和成功故事
受近年来图嵌入和知识表示学习的启发,我们开发了一种新的端到端学习模型,称为 Graph-DTI,它整合了来自异构网络数据的各种信息,并自动学习保留拓扑的药物和靶标表示,以促进 DTI 预测。我们的框架由三个主要构建块组成。首先,我们整合了药物和靶标蛋白的多种数据源,并从一组数据集中构建了异构网络。其次,通过使用受 GCN 启发的图自动编码器提取高阶结构信息来学习节点(药物、蛋白质)及其拓扑邻域表示,形成异构网络。最后一部分是预测潜在的 DTI,然后将训练好的样本发送到分类器进行二元分类。
本文提出了一种使用图神经网络(GNN)的新方法来解决电网中的交流功率流问题。AC OPF对于在满足电网的操作限制的同时,对最小生成成本至关重要。传统求解器与可扩展性斗争,尤其是在具有续签能源的大型系统中。我们的方法将功率网格建模为图形,其中总线是节点,传输线是边缘。我们探索包括GCN,GAT,SageConv和GraphConv在内的不同GNN架构,以有效地预测AC功率流解决方案。我们在IEEE测试系统上进行的实验表明,GNN可以准确地预测功率流解决方案并扩展到较大的系统,从而在计算时间方面优于传统求解器。这项工作突出了GNNs对实时电网管理的潜力,并计划将模型应用于更大的网格系统。
网格适应在CFD中至关重要,对于动态完善并优化计算网格,增强了捕获复杂流动特征的精度。基于度量的网格适应性,虽然在数学上健壮,但通常依赖于伴随解决方案来进行误差估计,这可以显着增加计算需求。为了应对这一挑战,这项研究旨在开发一种机器学习驱动的方法来改编CFD,从而消除了对计算强度密集的伴随解决方案的需求。在追求此目标时,我们采用集合模型和图形卷积网络(GCN)来预测在适应过程中每个单元格的局部误差估计器。我们的发现表明,GCNS胜过各向同性网格的集合模型,而两个模型在各向异性网格中产生相似的结果。这些结果表明,我们的机器学习驱动的方法消除了求解伴随方程的误差估计的需要,为在复杂的流动方案中为更有效的CFD模拟铺平了道路。
LncRNA 是一类重要的非编码 RNA,据报道与多种人类病理状况有关。越来越多的证据表明药物可以调节 lncRNA 的表达,这使得将 lncRNA 开发为治疗靶点成为可能。因此,开发预测 lncRNA-药物关联 (LDA) 的计算机方法是开发基于 lncRNA 的疗法的关键步骤。在本研究中,我们使用基于 lncRNA 和药物相似性网络的图卷积网络 (GCN) 和图注意力网络 (GAT) 来预测 LDA。结果表明,我们提出的方法在五个数据集上取得了良好的性能(平均 AUC > 0.92)。此外,案例研究和 KEGG 功能富集分析进一步证明该模型可以有效识别新型 LDA。总体而言,本研究提供了一个基于深度学习的预测新型 LDA 的框架,这将加速针对 lncRNA 的药物开发进程。
随着个体通过数字平均值的显着相互作用的显着增加,图中节点的聚类已成为分析大型和复杂网络的一种基础方法。在这项工作中,我们提出了深层的位置模型(DEEPLPM),这是一种端到端的生成聚类方法,将广泛使用的潜在位置模型(LPM)与图形卷积网络(GCN)编码策略相结合。此外,还引入了一种原始估计算法,以通过变异推理和使用随机梯度下降进行图形重建来整合后聚类概率的明确优化。在模拟场景上进行的数值实验突出了DeepLPM自养生的能力,以选择簇数量的较低限制,这表明其聚类能力与最先进的方法相比。最后,DEEPLPM进一步应用于Merovingian Gaul的教会网络和引文网络Cora,以说明探索大型且复杂的现实世界网络的实际兴趣。
最近的研究表明,微生物对于维持人类健康至关重要。营养不良或这些微生物群落中的失衡与多种人类疾病密切相关。因此,了解微生物对疾病的影响至关重要。Dugel模型利用图形卷积神经网络(GCN)和图形注意网络(GAT)的优势,确保捕获微生物 - 疾病关联网络中的本地和全局关系。长短记忆网络(LSTM)的集成进一步增强了模型理解特征表示中的顺序依赖性的能力。这种全面的方法使Dugel能够在预测潜在的微生物疾病关联方面达到很高的准确性,从而使其成为生物医学研究和发现新的治疗靶标的有价值的工具。通过结合基于图形和基于序列的学习技术,Dugel解决了现有方法的局限性,并为预测微生物 - 疾病关联提供了强大的框架。为了评估Dugel的性能,我们基于两个数据库(HMDAD和tobiome)进行了全面的比较实验和案例研究,以证明Dugel可以有效地预测潜在的微生物疾病关联。
放置是一项至关重要的任务,在VLSI物理设计中具有高计算复合物。现代的分析贴花将放置目标作为非线性优化任务,遭受了长时间的迭代时间。为了加速和增强放置过程,最近的研究转向了基于深度学习的方法,尤其是利用图形卷积网络(GCN)。但是,由于电路放置的复杂性涉及大规模的单元格和特定于设计的图形统计,因此基于学习的位置需要时间和数据消耗的模型培训。本文提出了礼物,这是一种无参数的技术,用于加速位置,植根于图形信号处理。礼物擅长捕获电路图的多分辨率平滑插图,以生成优化的放置解决方案,而无需进行耗时的模型训练,同时显着减少了分析放置器所需的迭代次数。实验结果表明,礼物可显着提高放置效率,同时达到竞争性或卓越的性能与最先进的垫片相符。,与
摘要 - 图卷积网络(GCN)最近进行了研究,以利用人体的图形拓扑用于基于骨架的动作识别。然而,不幸的是,大多数这些方法是通过动摇的各种动作样本的易加色模式汇总信息,缺乏对级别内部品种的认识和对骨架序列的适当性,这些骨骼序列通常包含冗余甚至有害连接。在本文中,我们提出了一个新型的可变形图卷积网络(DEGCN),以适应性地捕获最有用的关节。拟议的DEGC在空间图和时间图上学习了可变形的采样位置,从而使模型能够感知歧视性接受领域。值得注意的是,考虑到人类的作用本质上是连续的,相应的时间特征是在连续的潜在空间中定义的。此外,我们设计了创新的多分支框架,该框架不仅在准确性和模型大小之间进行了更好的权衡,而且还可以显着提高集合的效果。广泛的实验表明,我们提出的方法在三个广泛使用的数据集上实现了最新的性能,即NTU RGB+D,NTU RGB+D 120和NW-UCLA。