XiaoMi-AI文件搜索系统
World File Search SystemGNN
用于脑网络分析的深度强化学习引导图神经网络
现代神经成像技术使我们能够将人脑构建为脑网络或连接体。捕捉脑网络的结构信息和层次模式对于理解脑功能和疾病状态至关重要。最近，图神经网络（GNN）良好的网络表征学习能力促使人们提出了相关的脑网络分析方法。具体而言，这些方法应用特征聚合和全局池化将脑网络实例转换为编码脑结构感应的向量表征，用于下游脑网络分析任务。然而，现有的基于 GNN 的方法往往忽略不同受试者的脑网络可能需要各种聚合迭代，并使用固定层数的 GNN 来学习所有脑网络。因此，如何充分释放 GNN 的潜力来促进脑网络分析仍然并非易事。在我们的工作中，提出了一种新颖的脑网络表征框架 BN-GNN 来解决这一难题，该框架为每个脑网络寻找最佳的 GNN 架构。具体来说，BN-GNN 采用深度强化学习 (DRL) 自动预测给定脑网络所需的最佳特征传播次数（反映在 GNN 层数中）。此外，BN-GNN 在八项脑网络疾病分析任务中提高了传统 GNN 性能的上限。© 2022 由 Elsevier Ltd. 出版。
![arxiv：2402.13946v2 [cs.lg] 2024年2月26日](/simg/g:\will\search\icon\source\e\e870ca6fb63efd17ae8a07b3968e3146d214b6ab.webp)
arxiv：2402.13946v2 [cs.lg] 2024年2月26日
抽象机器学习在解决几个关键硬件安全问题方面表现出了巨大的希望。特别是，搜索者开发了新的图形神经网络（GNN） - 用于检测知识产权（IP）盗版的技术，检测硬件木马（HTS）和反向连接电路，仅举几例。这些技术表现出了出色的准确性，并在社区中受到了很多关注。但是，由于这些技术用于安全应用程序，因此必须对其进行彻底评估，并确保它们是强大的，并且不会损害集成电路的安全性。在这项工作中，我们提出了AttackGnn，这是对硬件安全性基于GNN的技术的第一次红线攻击。为此，我们设计了一种新颖的增强学习（RL）代理，该学习产生了针对基于GNN的技术的对抗性实例，即电路。我们克服了与有效性，可伸缩性和通用性相关的三个挑战，以设计有效的RL代理。我们针对5种基于GNN的技术针对硬件安全性的四个关键类别的问题：IP盗版，检测/本地化HTS，反向工程和硬件混淆。通过我们的方法，我们制作的电路会欺骗这项工作中所有的GNNS。例如，为了逃避IP盗版检测，我们产生了对抗性的盗版电路，使基于GNN的防御能力将我们精心制作的电路分类为未盗版的情况。用于攻击HT定位GNN，我们的攻击产生了HT侵入的电路，使所有经过测试的电路都欺骗了防御。对于所有类别的问题，我们获得了与GNN相似的100％成功率。
BrainGB：使用图神经网络进行脑网络分析的基准
摘要 — 使用结构或功能连接来映射人脑的连接组已成为神经成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成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实证证据，并为这一新颖且有前景的方向的未来研究提供见解。
BrainGB：使用图神经网络进行脑网络分析的基准
摘要 — 使用结构或功能连接来映射人脑的连接组已成为神经成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成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实证证据，并为这一新颖且有前景的方向的未来研究提供见解。
BrainGB：使用图神经网络进行脑网络分析的基准
摘要 — 使用结构或功能连接来映射人脑的连接组已成为神经成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成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实证证据，并为这一新颖且有前景的方向的未来研究提供见解。
图神经网络架构的比较
理解神经动力学的空间和时间特征之间的相互作用有助于我们理解人类大脑中的信息处理。图神经网络 (GNN) 为解释复杂大脑网络中观察到的图结构信号提供了一种新的可能性。在我们的研究中，我们比较了不同的时空 GNN 架构，并研究了它们对功能性 MRI (fMRI) 研究中获得的神经活动分布进行建模的能力。我们评估了 GNN 模型在 MRI 研究中各种场景下的性能，并将其与 VAR 模型进行了比较，后者目前常用于定向功能连接分析。我们表明，通过学习解剖基底上的局部功能相互作用，基于 GNN 的方法能够稳健地扩展到大型网络研究，即使在可用数据稀缺的情况下也是如此。通过将解剖连接作为信息传播的物理基础，此类 GNN 还提供了定向连接分析的多模态视角，为研究大脑网络中的时空动态提供了一种新的可能性。
图形神经网络技术和大脑成像诊断神经系统疾病的组合：评论和前景
摘要：神经系统疾病（NDS），例如阿尔茨海默氏病，一直对世界各地的人类健康构成威胁。通过结合人工智能技术和大脑成像来诊断ND非常重要。图形神经网络（GNN）可以建模和分析大脑，形态学，解剖结构，功能特征和其他方面的成像，从而成为ND诊断中最好的深度学习模型之一。一些研究人员已经调查了GNN在医疗领域的应用，但是范围很广，并且其在NDS上的应用不太频繁且不够详细。本综述着重于GNN在ND诊断中的研究进度。首先，我们系统地研究了ND的GNN框架，包括图形构造，图形卷积，图形合并和图形预测。其次，我们使用GNN诊断模型研究了数据模式，受试者的数量和诊断准确性。第三，我们讨论了一些研究挑战和未来的研究方向。这篇综述的结果可能是对人工智能技术和大脑成像的持续交集的宝贵贡献。
![arXiv:2402.01138v3 [eess.SP] 2024 年 8 月 30 日](/simg/g:\will\search\icon\source\7\7062edcea840a5800dabb5780c683ea1721bd4a6.webp)
arXiv:2402.01138v3 [eess.SP] 2024 年 8 月 30 日
与其他模态相比，基于脑电图的情绪识别可以直观地响应人脑中的情绪模式，因此成为脑机接口领域最受关注的任务之一。由于大脑区域内的依赖关系与情绪密切相关，开发用于基于脑电图的情绪识别的图神经网络（GNN）是一个重要的趋势。然而，情绪脑电图中的大脑区域依赖关系具有生理基础，这使得该领域的GNN有别于其他时间序列领域的GNN。此外，目前尚无关于基于脑电图的情绪识别中GNN构建的全面综述或指导。在调查中，我们的分类揭示了统一的图构建框架下现有方法的共性和差异。我们从框架中的三个阶段对方法进行分析和分类，为基于脑电图的情绪识别中GNN的构建提供明确的指导。此外，我们还讨论了几个开放的挑战和未来的方向，例如时间全连通图和图浓缩。
![arxiv：2401.15299v3 [cs.lg] 2025年1月15日](/simg/g:\will\search\icon\source\f\f8cbc77dbb6432f4bd0a48c75f942515b1ed06f4.webp)
arxiv：2401.15299v3 [cs.lg] 2025年1月15日
图形神经网络（GNN）已在不同领域（例如运输，生物形式，语言处理和计算机视觉）中获得了吸引力。但是，关于将GNN应用于供应链网络的研究很明显。供应链网络在结构上本质上是图形的，使其成为应用GNN方法论的主要候选者。这开辟了一个可能性的世界，即使是最能力的供应链问题，也可以进行优化，预测和解决。这种方法的重大挫折在于没有现实世界的基准数据集，可以利用GNN进行研究和解决供应链问题。为了解决这个问题，我们提出了一个实际的基准数据集用于时间任务，该数据集是从孟加拉国领先的一家FMCG公司获得的，重点是用于生产目的的供应链规划。数据集将时间数据作为节点功能，以启用销售预示，生产计划和识别工厂问题。通过利用此数据集，研究人员可以使用GNN来解决众多供应链问题，从而进步供应链分析和计划领域。来源：https：//github.com/ciol-sust/supplygraph
结构和功能脑网络与图神经网络联合嵌入用于精神疾病诊断
摘要 — 多模态脑网络从结构和功能两个方面表征了不同脑区之间的复杂连接，为精神疾病分析提供了一种新方法。最近，图神经网络 (GNN) 已成为分析图结构数据的事实上的模型。然而，如何使用 GNN 从多模态的脑网络中提取有效表示仍然很少被探索。此外，由于脑网络不提供初始节点特征，如何设计信息节点属性并利用边缘权重让 GNN 学习仍未得到解决。为此，我们为多模态脑网络开发了一种新型多视图 GNN。具体来说，我们将每种模态视为脑网络的一个视图，并采用对比学习进行多模态融合。然后，我们提出了一个 GNN 模型，该模型利用消息传递方案，通过基于度统计和脑区连接传播消息。在两个现实世界疾病数据集（HIV 和双相情感障碍）上进行的大量实验证明了我们提出的方法相对于最先进基线的有效性。