XiaoMi-AI文件搜索系统
World File Search SystemGNN
引用Sultana Gnn，Akter F，Israfil SMH，Ray UC，Jahan RA，Ali MS，Din SA，Din SA，Rahman S，Halim R和Alam R和Alam MS（2023）血清CEL
到2020年底，乳腺癌已成为世界上最常见的癌症，有780万妇女在过去的五年中诊断出来（1）。在全球范围内，乳腺癌需要比其他任何恶性肿瘤的妇女生活中的残疾调整年（达利人）。在2020年，乳腺癌在世界大多数国家的发病率和死亡率上排名第一（2）。在孟加拉国，情况是可比的。根据Globocan（全球癌症天文台）2020年的报告，在美国被诊断出13,028例新的乳腺癌病例（19％），其中6,783例屈服于该疾病，使其成为女性中最常见的癌症（3）。诊断时的临床阶段是乳腺癌中最重要的生存预测因子之一。延迟疾病检测的生存率较低（4）。 因此，如果发现该疾病足够早，我们可以最大程度地减少死亡率，因为早期乳腺癌治疗可能是相当有益的。 因此，筛选分子标记物是一种早期发现乳腺癌并治疗疾病的一种方法（5）。 当前，有几种乳腺癌临床诊断的方法。 有些是侵入性的，而另一些则是无创的。 乳房X线摄影是早期发现乳腺癌的最广泛使用的非侵入性技术之一。 然而，由于无法检测到小肿瘤，尤其是在乳房密集的妇女中，其效率和精度一直存在争议（6）。延迟疾病检测的生存率较低（4）。因此，如果发现该疾病足够早，我们可以最大程度地减少死亡率，因为早期乳腺癌治疗可能是相当有益的。因此，筛选分子标记物是一种早期发现乳腺癌并治疗疾病的一种方法（5）。当前，有几种乳腺癌临床诊断的方法。有些是侵入性的，而另一些则是无创的。乳房X线摄影是早期发现乳腺癌的最广泛使用的非侵入性技术之一。然而，由于无法检测到小肿瘤，尤其是在乳房密集的妇女中，其效率和精度一直存在争议（6）。CA 15-3用于评估对侵入性乳腺癌治疗的反应并鉴定疾病复发。因为CA 15-3不是很具体，因此不能用作女性的标准乳腺癌测试（7）。监测转移性阶段4乳腺癌，在极少数情况下，检测患有早期乳腺癌治疗的患者的复发是CA 27.29测试的两种最普遍用途（8）。转移性乳腺癌可以用高水平的CA125表示。由于CA125水平和癌症之间缺乏清晰度，该测试并不能用作筛查工具（9）。癌胚抗原（CEA）测试不是实用的乳腺癌筛查工具；相反，它用于确定癌症的预后，治疗结果和复发。由于其敏感性低和特异性，美国临床肿瘤学会目前建议不要将CEA用于常规的乳腺癌筛查（10）。这表明这些变量在很大程度上用于评估晚期乳腺癌的治疗成功
Phishgnn：使用图形神经网络的网络钓鱼网站检测框架
在互联网时代，恶意URL是对网络用户的综合威胁。网络钓鱼的目的是通过用fal的界面欺骗受害者来窃取敏感信息。在网站网站的情况下，攻击者通常试图模仿社交媒体，银行和电子商务网站等知名且广泛使用的服务。这种欺骗的网站通常是用与原始站点相同的代码库构建的，这可能会使它们很难瞥见。值得庆幸的是，可以使用许多其他指标来区分良性和网络钓鱼网站。例如，大多数网络钓鱼URL往往很长，具有多个子域和特殊特征。域通常托管在可疑的主机上，并使用非信任当局进行的安全套接字层（SSL）认证。自从这些攻击开始时，已经实施了许多系统来试图克服它们。其中一些实现使用传统技术，例如黑名单或URL词汇特征的分析。否则，黑名单遭受了多种缺点，例如需要更新的人类援助和缺乏详尽的缺点。此外，它们不能用于看不见和隐藏的URL。其他技术利用机器学习将模型训练以基于许多示例来策划网站（Sahoo等，2017）（Benavides等，2020）。但是，在大多数方法中，网站的超链接结构尚未解决。
![arxiv：2502.05610v1 [CS.CL] 2025年2月8日](/simg/f/fc3702b26977d5a4ff0e791f19ff9d50ec23897f.webp)
arxiv：2502.05610v1 [CS.CL] 2025年2月8日
蛋白质在生物过程中起着至关重要的作用，并且是活生物体的浓汤。蛋白质的准确表示至关重要，尤其是在药物开发中。最近，利用机器学习和深度学习技术的兴趣显着提高，用于无监督的蛋白质反应。然而，这些方法通常仅关注蛋白质的氨基酸序列，缺乏有关蛋白质及其相互作用的事实知识，从而限制了它们的性能。在这项研究中，我们提出了Goproteingnn，这是一种新型的结构，通过在氨基酸水平代表创建过程中整合蛋白质知识图信息来吸引蛋白质语言模型。我们的方法允许在单个氨基酸水平和整个蛋白质水平上整合信息，从而通过基于图的学习实现了全面有效的学习过程。这样做，我们可以捕获蛋白质及其功能注释之间的复杂关系和依赖性，从而产生更健壮和上下文富集的蛋白质表示。与以前的方法不同，Goproteingnn在训练过程中独特地学习了整个蛋白质知识图，这使其能够捕获更广泛的关系细微差别和依赖于以前的工作中的单元超出三胞胎。我们对几个下游任务进行了全面的评估，表明goproteingnn始终优于先前的方法，展示其有效性并确定其作为蛋白质表示学习的状态解决方案。
使用变压器和GNN集成在智能物流中增强机器人路由
智能互动。一些研究集中于利用自然语言命令来指导机器人路径计划，采用变压器模型实现多模式数据对齐，以提高路径计划的效率（Bucker等，2022）。此外，关于机器人在环境中机器人的相互作用和发展轨迹的讨论，提出了一个强调人类生活空间内整合和服务提供的路线图，从而为路径计划和环境互动提供了新颖的见解（Cai等，20211）。此外，研究集中在机器人运动控制上，利用变压器模型促进了人形机器人的有效运动，并在路径计划和智能控制领域的潜在应用（Radosavovic等人，2024年）。人工智能在社交媒体和计算中的应用还阐明了路径规划与社交计算的交集。
第五个全球 NITAG 网络 (GNN)
09.00 -09.45 SAGE 报告 Joachim Hombach 和 Hanna Nohynek 的演讲 9.45 -10.30 HPV 单剂量 – 我们在哪里？由 Mimi Lhamu 主持 10.30 -11.00 健康休息 11.00-12.30 RSV 由 Awnish Singh 主持 12.30-13.30 午餐 13.30-14.00 活力 14.00 -15.00 NITAG 秘书处和行业合作 由 Awnish Singh 主持 15.00 – 15.30
基于 DTD-GNN 图神经网络的药物再利用：揭示药物、靶点与疾病之间的关系
动机：合理建模药物、靶标和疾病之间的关系对于药物重新定位至关重要。虽然在研究二元关系方面取得了重大进展，但仍需要进一步研究以加深我们对三元关系的理解。图神经网络在药物重新定位中的应用正在增加，但需要进一步研究以确定适合三元关系的建模方法以及如何捕捉其复杂的多特征结构。结果：本研究的目的是建立药物、靶标和疾病之间的关系。为了表示这些实体之间的复杂关系，我们使用了异构图结构。此外，我们提出了一种 DTD-GNN 模型，该模型结合了图卷积网络和图注意网络来学习特征表示和关联信息，从而有助于更彻底地探索这些关系。实验结果表明，DTD-GNN 模型在 AUC、准确率和 F1 分数方面优于其他图神经网络模型。该研究对于全面认识药物与疾病之间的关系，以及进一步研究和应用药物与疾病相互作用的机制具有重要意义。该研究揭示了这些关系，为医学创新治疗策略提供了可能性。
Memo-GNN：用于 4D 脑连接预测的记忆感知图神经网络
大脑神经回路的连接模式形成一个复杂而动态的网络。通过观察这些网络随时间的变化，我们可以检测出脑部疾病。最近的研究表明，使用图神经网络可以从单一观察中预测脑回路的演变。这种能力可以对脑部疾病进行早期诊断，有助于防止其发展为阿尔茨海默病等更严重的疾病。然而，现有的研究都没有探索生成与真实大脑连接组在认知上一致的大脑连接组的潜力。为了弥补文献中的这一空白，我们引入了记忆感知图神经网络模型——MemoGNN。我们的主要贡献包括：(i) 开发和实施第一个能够预测具有记忆感知的 4D 大脑连接的 GNN 模型。(ii) 评估 MemoGNN 在两个不同的记忆容量任务上的表现：文献中定义的常规记忆容量任务和新引入的语言注入记忆容量任务。 (iii) 在各种 GNN 模型和数据集上对 MemoGNN 进行基准测试。我们的结果表明，MemoGNN 模型在生成与实际记忆功能紧密相关的大脑连接方面优于其他模型。虽然使用常规记忆容量任务训练的 MemoGNN 模型没有提高生成图的 MAE，但与非记忆感知模型相比，它表现出的拓扑错误更少。相反，使用语言注入记忆容量任务训练的 MemoGNN 模型超过了基线模型的 MAE。
EGNN-C+：可解释的演化粒状神经网络及其在弱监督 EEG 数据流分类中的应用
摘要 — 我们引入了一种改进的增量学习算法，用于进化粒神经网络分类器 (eGNN- C+)。我们使用双边界超框来表示颗粒，并定制自适应程序以增强外框对数据覆盖和噪声抑制的鲁棒性，同时确保内框保持灵活性以捕获漂移。分类器从头开始发展，动态合并新类别，并执行局部增量特征加权。作为一种应用，我们专注于脑电图 (EEG) 信号中与情绪相关的模式的分类。情绪识别对于增强计算机系统的真实感和交互性至关重要。挑战恰恰在于开发高性能算法，能够有效地管理生理数据中的个体差异和非平稳性，而无需依赖特定于受试者的校准数据。我们从 28 名玩电脑游戏的人获得的 EEG 信号的傅里叶频谱中提取特征 - 这是一个公共数据集。每个游戏都会引发不同的主要情绪：无聊、平静、恐惧或快乐。我们分析单个电极、时间窗口长度和频带，以评估由此产生的独立于用户的神经模型的准确性和可解释性。研究结果表明，两个大脑半球都有助于分类，尤其是颞叶 (T8) 和顶叶 (P7) 区域的电极，以及额叶和枕叶电极的贡献。虽然模式可能出现在任何波段中，但 Alpha (8-13Hz)、Delta (1-4Hz) 和 Theta (4-8Hz) 波段按此顺序与情绪类别表现出更高的对应性。eGNN-C+ 证明了学习 EEG 数据的有效性。即使面对高度随机的时变 4 类分类问题，它也能使用 10 秒时间窗口实现 81.7% 的准确率和 0.0029 II 的可解释性。
带有 GNN 的电路图，用于探索最佳设计空间
模拟电路的设计自动化在设计空间大、电路规范之间复杂的相互依赖关系以及资源密集型模拟方面提出了重大挑战。为了应对这些挑战，本文提出了一个创新框架，称为电路图探索器 (GCX)。利用图结构学习和图神经网络，GCX 能够创建一个代理模型，该模型有助于在半监督学习框架内有效探索最佳设计空间，从而减少对大型标记数据集的需求。所提出的方法包括三个关键阶段。首先，我们学习电路的几何表示并用技术信息丰富它以创建一个综合特征向量。随后，将基于特征的图学习与少样本和零样本学习相结合，增强了对未见电路预测的普遍性。最后，我们介绍了两种算法，即 EASCO 和 ASTROG，它们与 GCX 集成后可优化可用样本以产生符合设计者标准的最佳电路配置。通过使用 180 nm CMOS 技术中导出的参数对各种电路进行模拟性能评估，证明了所提方法的有效性。此外，该方法的通用性扩展到高阶拓扑和不同的技术节点，例如 65 nm 和 45 nm CMOS 工艺节点。
基于GNN的多代理增强学习范式
摘要 - 机器学习（ML）任务是当今边缘计算网络中的主要工作量之一。现有的Edge-云调度程序将所需资源数量分配给每个任务，而最佳利用有限的边缘资源来完成ML任务。本文提出了Tapfinger，这是一种用于边缘群集的分布式调度器，可通过协作任务放置和精细元素的多资源分配来最大程度地减少ML任务的总完成时间。要学习任务不确定的资源敏感性和启用分布式计划，我们采用了多代理增强学习（MARL），并提出了几种技术以使其有效，包括MARL Backbone作为MARL Backbone，是Actor网络中的量身定制的任务选择阶段，以及Bayes theerem'theerem'orem and Ingess-Ingem and Ingem schem schem schem schem schem。我们首先实施一个单任务调度版本，该版本每次最多都有一个任务。然后我们将其推广到多任务调度案例，其中同时安排了一系列任务。我们的设计可以减轻扩展的决策空间，并产生快速收敛到最佳的调度解决方案。使用合成和测试床的ML任务痕迹进行了广泛的实验表明，与最先进的调度程序相比，Tapfinger的平均任务完成时间最高可减少54.9％，并提高资源效率。