XiaoMi-AI文件搜索系统
World File Search SystemGNN
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
具有eeg-emg-的GNN的顺序学习模型 -
运动图像（MI）是在没有身体运动的情况下想象运动的心理过程（Aggarwal和Chugh，2019年）。脑部计算机界面（BCIS）广泛用于中风患者的康复训练（McAvinue和Robertson，2008年）。通过使用MI，可以训练患者对其大脑信号的控制，从而激活有助于运动的设备。这种训练方法被认为可以增强感觉输入，从而导致大脑可塑性改善运动功能（Hwang等，2009）。通过使用脑电图（EEG）分析来捕获患者的运动意图并使他们能够控制外部装置，已证明了这种康复策略的可行性。与传统的运动康复相比，基于脑电图的MI方法可以通过受试者的自主意图进行主动训练，并已证明在中风恢复高原后为患者提供更好的康复结果（Young等人，2014年）。
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。
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。
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。
图神经网络加速综述
图神经网络 (GNN) 正在图结构数据的机器学习研究中兴起。GNN 在许多任务上都实现了最先进的性能，但在具有大量数据和严格延迟要求的实际应用中，它们面临着可扩展性的挑战。为了应对这些挑战，人们已经进行了许多关于如何加速 GNN 的研究。这些加速技术涉及 GNN 管道的各个方面，从智能训练和推理算法到高效的系统和定制硬件。随着 GNN 加速研究数量的快速增长，缺乏系统的处理来提供统一的观点并解决相关工作的复杂性。在这篇综述中，我们提供了 GNN 加速的分类法，回顾了现有的方法，并提出了未来的研究方向。我们对 GNN 加速的分类处理将现有的工作联系起来，并为该领域的进一步发展奠定了基础。
以临床医生为中心的药物再利用的基础模型
药物再利用（确定已获批准药物的新治疗用途）通常是偶然的和投机性的，扩大了药物在治疗新疾病方面的用途。药物再利用 AI 模型的临床实用性仍然有限，因为这些模型仅关注某些药物已经存在的疾病。在这里，我们介绍了 TX GNN，这是一种用于零样本药物再利用的图形基础模型，甚至可以为治疗选择有限或没有现有药物的疾病识别治疗候选药物。TX GNN 在医学知识图谱上进行训练，利用图神经网络和度量学习模块将药物按 17,080 种疾病的潜在适应症和禁忌症进行排名。与八种方法进行基准测试时，在严格的零样本评估下，TX GNN 将适应症的预测准确率提高了 49.2%，禁忌症的预测准确率提高了 35.1%。为了便于模型解释，TX GNN 的解释器模块提供了对形成 TX GNN 预测原理的多跳医学知识路径的透明见解。 TX GNN 解释器的人工评估表明，TX GNN 的预测和解释在准确性之外的多个性能方面都表现令人鼓舞。TxGNN 的许多新预测与大型医疗保健系统中临床医生开出的标外处方相符。TX GNN 的药物再利用预测准确无误，与标外用药一致，并且可以通过多跳可解释原理由人类专家进行调查。
比较用于脑网络分析的浅层和深层图模型
摘要 — 众所周知，图神经网络 (GNN) 可以有效地对各种领域的网络数据进行建模。然而，在脑网络分析中，GNN 是否能胜过传统的浅层图分类模型（例如图核）仍不清楚。为此，我们分析了建模脑网络的不同方法，包括基于图核的 SVM、基本 GNN 和核化 GNN。这些模型旨在帮助分析疾病和精神障碍，如躁郁症、人类免疫缺陷病毒 (HIV)、创伤后应激障碍 (PTSD) 和抑郁症。具体来说，我们使用三种方法进行实验：核化支持向量机 (SVM)、消息传递图神经网络 (MPGNN) 和核图神经网络 (KerGNN)。我们得出结论：1) 深度模型 (GNN) 通常优于浅层模型 (SVM)；2) 考虑特定图形主题的模型似乎并没有显着提高性能。我们还确定了其他图形核和 GNN 框架，这些框架有望推动大脑网络分析的进一步研究。索引词 — 大脑网络、GNN、图形学习、图形核、神经影像数据、SVM
BrainGB：使用图神经网络进行脑网络分析的基准（扩展摘要）*
摘要 — 使用结构或功能连接映射人脑的连接组已成为神经影像分析最普遍的范例之一。最近，受几何深度学习启发的图神经网络 (GNN) 因其对复杂网络数据建模的强大功能而引起了广泛关注。尽管它们在许多领域都表现出色，但尚未系统地研究如何设计有效的 GNN 进行脑网络分析。为了弥补这一差距，我们提出了 BrainGB，这是使用 GNN 进行脑网络分析的基准。BrainGB 通过 (1) 总结功能和结构神经影像模式的脑网络构建流程和 (2) 模块化 GNN 设计的实现来标准化该过程。我们对跨队列和模态的数据集进行了广泛的实验，并推荐了一套在脑网络上有效 GNN 设计的通用方法。为了支持基于 GNN 的脑网络分析的开放和可重复研究，我们在 https://braingb.us 上托管了 BrainGB 网站，其中包含模型、教程、示例以及开箱即用的 Python 包。我们希望这项工作能够提供有用的经验证据，并为未来在这个新颖且有前途的方向的研究提供见解。索引术语 — 脑网络分析、GNN、神经成像的几何深度学习、数据集、基准
对肿瘤淋巴瘤激酶（ALK）的药理抑制剂（ALK）通过靶向效应诱导免疫原性细胞死亡
分子表示学习（MRL）长期以来在药物发现和材料科学领域至关重要，并且由于自然语言处理（NLP）和图形神经网络（GNN）的发展，它取得了重大进展。nlp将分子视为一维顺序令牌，而GNN则将它们视为二维拓扑图。基于通过不同的消息传递算法，GNN在检测化学环境和预测分子特性方面具有各种性能。在此，我们提出了定向的图形注意力网络（D-GAT）：具有定向键的表达性GNN。我们策略成功的关键是按照指示图处理分子图，并通过缩放的点 - 产物注意机制来更新键状态和原子状态。这使模型可以更好地捕获分子图的子结构，即官能团。与其他GNN或消息传递神经网络（MPNN）相比，D-Gats的表现优于15个重要分子属性预测基准中的13个。