XiaoMi-AI文件搜索系统
World File Search SystemGCN
EmT：一种用于跨受试者广义脑电图情绪识别的新型 Transformer
摘要 — 将神经生理学的先验知识整合到神经网络架构中可提高情绪解码的性能。虽然许多技术都强调学习空间和短期时间模式，但对捕捉与情绪认知过程相关的重要长期背景信息的重视程度有限。为了解决这一差异，我们引入了一种称为情绪变换器 (EmT) 的新型变换器模型。EmT 旨在在广义跨受试者脑电图情绪分类和回归任务中表现出色。在 EmT 中，脑电图信号被转换成时间图格式，使用时间图构造模块 (TGC) 创建一系列脑电图特征图。然后提出了一种新颖的残差多视图金字塔 GCN 模块 (RMPG) 来学习该系列中每个脑电图特征图的动态图表示，并将每个图的学习到的表示融合成一个标记。此外，我们设计了一个时间上下文变换器模块 (TCT)，它有两种类型的标记混合器来学习时间上下文信息。最后，任务特定的输出模块 (TSO) 生成所需的输出。在四个公开数据集上的实验表明，EmT 在 EEG 情绪分类和回归任务中都取得了比基线方法更高的结果。代码可在 https://github.com/yi-ding-cs/EmT 上找到
基于图神经网络的图形结构SFC的节能VNF部署，并限制了深度强化学习
摘要 - 网络函数虚拟化（NFV），该函数将网络函数从硬件中解除，并将其转换为独立于硬件的虚拟网络函数（VNF），是许多新兴网络域，例如5G，Edge，Edge Computing和Data-Center网络。服务功能链（SFC）是VNF的有序集。VNF部署问题是在SFC中找到最佳的部署策略VNF，同时保证服务级协议（SLA）。现有的VNF部署研究主要关注无能量考虑的VNF序列。但是，随着用户和应用程序要求的快速开发，SFC从序列到动态图，服务提供商对NFV的能源消耗越来越敏感。因此，在本文中，我们确定了能节能的图形结构的SFC问题（EG-SFC），并将其作为组合优化问题（COP）提出。受益于COP机器学习的最新进展，我们提出了一个基于约束深度强化学习（DRL）方法的端到端图神经网络（GNN）来求解EG-SFC。我们的方法利用图形卷积网络（GCN）表示DRL中的双重Q-Network（DDQN）的Q网络。提出了掩模机制来处理COP中的资源约束。实验结果表明，所提出的方法可以处理看不见的SFC图，并且比贪婪的算法和传统DDQN更好地表现出更好的性能。
与免疫介导的炎症性疾病和免疫修饰疗法相关的严重共同互联19结果的风险：一项全国范围的研究COVID-19疫苗在六家以色列医院（Covehpi）的医疗保健人员中的疫苗有效性疫苗优先级策略对减轻COVID-19的影响：基于代理的模拟研究使用美国的城市地区基于功能性MRI和多级功能连通性，用图卷积网络预测脑淀粉样蛋白-βPET表型
广州大学的实验中心，中国广州B，上海上海上海大学生物医学工程学院。 Zhangjiang Lab，上海，中国，201204电话。 ：+86 21 38176043电子邮件：hanzhang.bit@gmail.com（H。Zhang），上海上海上海大学生物医学工程学院，中国，2011年。 ：+86 21 20685265传真：+86 21 20685265电子邮件：dinggang.shen@gmail.com（D。Shen）摘要。 大脑中淀粉样蛋白-β（Aβ）沉积的检测为阿尔茨海默氏病临床诊断（AD）提供了关键证据。 然而，当前基于宠物的大脑Aβ检查的效率遭受了粗糙的，基于视觉检查的双级分层以及高扫描成本和风险。 在这项工作中，我们探讨了使用非侵入性功能磁共振成像（fMRI）在AD连续体中使用脑网络上的图形学习来预测Aβ-PET表型的可行性。 首先，通过聚类来鉴定三个全脑Aβ-PET表型，并研究了它们与临床表型的关联。 第二，使用静止状态fMRI构建常规功能连通性（FC）网络，并通过图形卷积网络（GCN）学习了网络拓扑结构，以预测此类Aβ-PET表型。 这可能是一种有前途的技术，用于对AD的高通量筛查，成本和限制更少。广州大学的实验中心，中国广州B，上海上海上海大学生物医学工程学院。 Zhangjiang Lab，上海，中国，201204电话。：+86 21 38176043电子邮件：hanzhang.bit@gmail.com（H。Zhang），上海上海上海大学生物医学工程学院，中国，2011年。：+86 21 20685265传真：+86 21 20685265电子邮件：dinggang.shen@gmail.com（D。Shen）摘要。大脑中淀粉样蛋白-β（Aβ）沉积的检测为阿尔茨海默氏病临床诊断（AD）提供了关键证据。然而，当前基于宠物的大脑Aβ检查的效率遭受了粗糙的，基于视觉检查的双级分层以及高扫描成本和风险。在这项工作中，我们探讨了使用非侵入性功能磁共振成像（fMRI）在AD连续体中使用脑网络上的图形学习来预测Aβ-PET表型的可行性。首先，通过聚类来鉴定三个全脑Aβ-PET表型，并研究了它们与临床表型的关联。第二，使用静止状态fMRI构建常规功能连通性（FC）网络，并通过图形卷积网络（GCN）学习了网络拓扑结构，以预测此类Aβ-PET表型。这可能是一种有前途的技术，用于对AD的高通量筛查，成本和限制更少。对来自AD连续的258个样品的Aβ-PET表型预测的实验表明，我们的算法达到了较高的fMRI-to-to-pet预测准确性（78.8％）。结果表明，AD连续体中存在可区分的脑Aβ沉积表型，以及使用人工智能和非侵入性脑成像技术来近似基于PET的评估的可行性。关键字：功能连通性，大脑网络，淀粉样蛋白β，PET，图形卷积网络。
基于脑启发前向的图神经网络...
工业中的过程控制（Huang et al., 2023; Liu et al., 2023; Zhang R. et al., 2023）。受益于信号处理和深度学习（DL）的进步，BCI 的一个突出子集是脑电图 (EEG)（Gao and Mao, 2021; Zhao et al., 2022; Li H. et al., 2023）。EEG 技术主要用于识别和分类运动想象 (MI) 信号，这对中风患者等行动障碍者来说是一种重要的辅助手段。EEG 的高精度、实时响应和成本效益使其有别于其他神经成像技术，如脑磁图和功能性磁共振成像（Huang et al., 2021; Mirchi et al., 2022; Tong et al., 2023）。传统的 MI-EEG 分类算法采用空间解码技术，利用从头皮记录的多通道 EEG 数据来识别运动意图 (Xu et al., 2021)。为了对来自多通道 MI-EEG 的信号进行分类，已经提出了各种方法，有效地捕捉它们的时间、频谱和空间特征 (Tang et al., 2019; Wang and Cerf, 2022; Hamada et al., 2023; Li Y. et al., 2023)。鉴于 EEG 信号的节律性和非线性特性，已经提出了几种利用小波调制和模糊熵的特征提取技术。 Grosse（Grosse-Wentrup and Buss，2008）介绍了一种结合公共空间模式 (CSP) 进行空间滤波和降低维数的方法，并辅以滤波器组技术将空间细化信号划分为多个频率子带。同样，Malan 和 Sharma（2022）开发了一个基于双树复小波变换的滤波器组，将 EEG 信号分离为子带。将 EEG 信号分割成这些子带后，通过 CSP 从每个子带得出空间特征，随后采用监督学习框架进行细化。Fei 和 Chu（2022）提出了一种利用相空间和小波变换的多层孪生支持向量机。尽管这些方法具有潜力，但它们忽略了电极之间的拓扑关系，因此需要进一步优化以提高 MI 分类准确性。认识到神经科学对脑网络动力学和神经信号传播机制的日益重视，图卷积网络 (GCN) 已被引入用于解码 EEG 信号（Wang 等人，2021；Du G. 等人，2022；Gao 等人，2022）。然后 Kipf 和 Welling（2016）将图论和深度学习结合起来以捕捉节点之间的关系。巧合的是，Hinton（2022）提出的神经传递领域的一个突破性概念前向-前向 (FF) 机制正在引起人们的关注。该机制提供了一种有效的方法来处理神经网络中的序列数据，而无需存储神经活动或暂停以进行错误传播。我们的研究旨在将 FF 机制与 GCN 相结合，用于基于 EEG 的 BCI，从而在运动意象分类方面取得重大进展。在研究中，我们提出了一种创新的 F-FGCN 框架用于 MI 分类。我们研究的突出贡献如下：
碳添加剂的角色-RUA
通过将10 wt％的各种碳基纳米材料掺入10 wt％的纳米材料作为修饰二氧化钛剂，制备了一系列基于TIO 2的光催化剂。更具体地说，通过使用四种不同的碳纳米结构的甲醇浸入浸渍方法来修改商业TiO 2 P25：单壁碳纳米管（SWCNT），部分降低了氧化石墨烯（PRGO），石墨（GI）和二氮碳（GCN）。表征结果（XPS和RAMAN）预期重要的界面现象的发生，对于样品TiO 2 /SWCNT和TIO 2 /PRGO的样本优先，在Ti 2P贡献中具有1.35 EV和1.54 eV的结合能位移。这些发现可能与碳/氧化物界面处的电子孔迁移率提高有关。重要的是，这两个样品构成了若丹明B（RHB）光降解的最有希望的光催化剂，在小于2小时的转化率接近100％。这些有希望的结果必须与形成的异质结构结构的内在物理化学变化以及能够同时吸附和降解RHB的复合材料的潜在双重作用有关。可环性测试证实了复合材料的性能（例如TiO 2 /swcnt，1 h内的100％降解），这是由于吸附 /降解能力的组合，尽管由于未连接的碳纳米管内部腔内局部腔内的部分阻断了几个周期后的再生，但由于未连接的RHB的内部空腔而进行了部分障碍。在这些反应条件下，若丹明-B黄烷染料通过去乙基化途径降解。
TD-Zero：使用零拍学习
摘要 - 供应链漏洞为攻击者提供了将硬件木马植入系统 - 芯片（SOC）设计的机会。虽然基于机器学习（ML）的特洛伊木马检测是有希望的，但它具有三个实际局限性：（i）可能无法获得黄金模型，（ii）缺乏人类专业知识来选择Trojan特征，并且（iii）有限的可传递性可能会导致在新的基准标准中无法获得未观察的Trojans的新基准标准。虽然基于转移学习的最新方法解决了其中一些问题，但仍需要重新训练以使用特定于域特异性（例如，硬件特洛伊木马功能）知识对模型进行微调。在本文中，我们提出了一个利用零射击学习来应对上述挑战的特洛伊木马检测框架。所提出的框架采用了自我监督学习的概念，其中利用预训练的图形卷积网络（GCN）来提取有关硬件Trojans的下划线常识，而指标学习任务用于衡量测试输入和恶意样本之间的相似性来进行分类。广泛的实验评估表明，与最先进的技术相比，我们的方法具有四个主要优势：（i）在特洛伊木马检测过程中不需要任何黄金模型，（ii）可以处理未知的特洛伊木马和未见的基准测试，而不会更改网络的任何变化，（iii）培训时间和（iv）的估计效率的显着提高（iv）的均值提高效率显着（iv）的均值（10.5％）（10.5％）5％（10.5％）。5％（10.5％）。
多伦多房地产市场的案例研究
摘要 - 我们现在是自动财产估值的第一个生命的预测模型。l uce解决了财产估值的两个关键问题：缺乏最近出售的价格和房屋数据的稀疏性。它旨在根据有限的最近房屋交易数据运行。作为与先前工作的背离，L uce在异质信息网络（HIN）中组织房屋数据，其中图节点是房屋实体和属性，对房价估值很重要。我们采用图形卷积网络（GCN）从HIN中提取空间信息，以获取与房屋相关的数据（如地理位置），然后使用长期短期内存（LSTM）网络来对房屋交易数据的时间依赖性建模，以建模房屋事务数据的时间。与先前的工作不同，在过去的几个月中，LCE可以有效利用有限的房屋交易数据，以更新HIN内所有房屋实体的估值信息。通过提供完整的最新房屋估值数据集，因此大大简化了目标属性的下游估值任务。，我们通过将其应用于从多伦多房地产市场获得的大型现实生活数据集，证明了它的利益。广泛的实验结果表明，不仅要比以前的财产估值方法显着胜过，而且经常达到，有时会超过独立专家在使用实际实现价格作为地面真相时给出的估值准确性。
早期诊断和定位心肌缺血（MS）和冠状动脉狭窄（CAS）在有效预防中起着至关重要的作用
早期诊断和心肌缺血（MS）和冠状动脉狭窄（CAS）在有效预防和管理缺血性心脏病（IHD）中起着至关重要的作用。心电图摄影（MCG）已成为心脏功能障碍的非侵入性，非接触和高敏性评估的有希望的方法。这项研究从MCG数据中提出了多中心的，启用AI的诊断和心肌缺血和冠状动脉狭窄的位置。为此，我们收集了一个大规模数据集，该数据集由八个临床中心的2,158个MCG记录组成。然后，我们提出了一个基于多尺度视觉变压器的网络，用于从多通道MCG记录中提取时空信息。冠状动脉的解剖学知识和灌溉的左心室区域是通过经过精心设计的基于基于的图形卷积网络（GCN）的特征融合模块纳入的。所提出的方法的准确性为84.7％，灵敏度为83.8％，诊断IHD的特异性为85.6％，五个MS区域的定位平均准确度为78.4％，平均平均准确度为65.3％，在三个冠状动脉中的宿变率定位。随后对独立验证数据集进行验证，该数据集由从四个临床中心收集的268个MCG记录组成，表明准确性为82.3％，敏感性为83.8％，诊断IHD的特异性为81.3％，平均准确性为77.3％，在五个高度脉络上的平均定位率为65. 65. 65.的平均定位。动脉。所提出的方法可以用作快速准确的诊断工具，从而将MCG检查整合到临床常规中。
![arxiv：2406.17697v1 [cs.lg] 2024年6月25日](/simg/9\937f633fcdf4917da882b60dacd7de51eeac43e2.webp)
arxiv：2406.17697v1 [cs.lg] 2024年6月25日
摘要。药物靶标结合亲和力（DTA）是药物筛查的关键标准。现有的实验方法是耗时的，并且依赖有限的结构和域信息。虽然基于学习的方法可以对序列和结构信息进行建模，但它们很难整合上下文数据，并且通常缺乏对药物目标相互作用的全面建模。在这项研究中，我们提出了一种新型的DTA式词语方法，称为HGTDP-DTA，该方法在混合图形转换器框架内利用动态提示。我们的方法为每个药物目标对生成上下文特定的提示，从而增强了模型捕获独特相互作用的能力。提示引入的引入通过滤除无关的噪声并强调与任务相关的信息进一步优化预测过程，并动态调整分子图的输入特征。提出的混合图形变压器体系结构将图形卷积网络（GCN）的结构信息与变压器捕获的序列信息相结合，从而促进了全局和局部信息之间的相互作用。此外，我们采用了多视图特征融合方法将分子图视图和亲和力子图视图投射到一个共同的特征空间中，从而有效地结合了结构和上下文信息。在两个广泛使用的公共数据集（Davis and Kiba）上进行的实验表明，HGTDP-DTA在预测性能和泛化能力中的最先进的DTA预测方法优于最先进的DTA预测方法。
用户手册
？rs3q3。uarj，ric，n <3jw，rlui3u。n0 a3 crncn <$ ry tyca c3ca cjw，chjw uaru3-sc，n irn irn irn irn ircj ircj cn i max ir l erc03c $ 3 C3N0C L3C <3。 n0 j@3n A3.3CQ3C aiuiwwwwwwwal 8arl＃r $ y; r@3 n0 n0 n0 n0 n0 nu3n0cu jr3n0cu j u ju3n0cu j@cc@cc l nn i c3 irn i c3 irlg，n j g3 irn j g3 irg j j，n J g3 irg j j，n J g3 irg j，u j j j j j j j ju l3 n n y l3l erc03c $ 3 C3N0C L3C <3。 n0 j@3n A3.3CQ3C aiuiwwwwwwwal 8arl＃r $ y; r@3 n0 n0 n0 n0 n0 nu3n0cu jr3n0cu j u ju3n0cu j@cc@cc l nn i c3 irn i c3 irlg，n j g3 irn j g3 irg j j，n J g3 irg j j，n J g3 irg j，u j j j j j j j ju l3 n n y l3C3N0C L3C <3。n0 j@3n A3.3CQ3C aiuiwwwwwwwal 8arl＃r $ y; r@3 n0 n0 n0 n0 n0 nu3n0cu jr3n0cu j u ju3n0cu j@cc@cc l nn i c3 irn i c3 irlg，n j g3 irn j g3 irg j j，n J g3 irg j j，n J g3 irg j，u j j j j j j j ju l3 n n y l3