XiaoMi-AI文件搜索系统
World File Search SystemGNN
![arxiv：2310.02152v2 [q-bio.nc] 2023年12月20日](/simg/g:\will\search\icon\source\5\58e9139deefd6463517765dc7570eeb03f265ad0.webp)
arxiv：2310.02152v2 [q-bio.nc] 2023年12月20日
图形神经网络（GNN）越来越多地用于将脑电图分类为情感识别，运动图像和神经系统疾病和疾病等任务。已经提出了广泛的方法来设计基于GNN的分类器。因此，需要对这些方法进行系统的审查和分类。我们详尽地搜索了有关该主题的文献，并得出了几类以进行比较。这些类别突出了这些方法之间的相似性和差异。结果表明，光谱图卷积层的流行率超过了空间。此外，我们确定了节点特征的标准形式，其中最流行的是原始脑电图和差分熵。我们的结果总结了基于GNN的脑电图分类方法的新兴趋势。最后，我们讨论了几个有前途的研究方向，例如探索转移学习方法的潜力和跨频相互作用的适当建模。关键字：图形神经网络，分类，脑电图，神经科学，深度学习
图形神经网络，用于有效的交流电源电网预测
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。
图形神经网络的图形聚类
图形神经网络（GNNS）已在许多图分析任务（例如节点分类和链接预测）上实现了最新结果。然而，图形群集等图形上的重要无监督问题已证明对GNN的进步具有更大的抵抗力。图形聚类的总体目标与GNN中的节点合并相同 - 这意味着GNN池方法在聚类图方面做得很好？令人惊讶的是，答案是否 - 在简单的基准（例如应用于学习的表示上的K均值）良好工作的情况下，循环的GNN合并方法通常无法恢复群集结构。我们通过仔细设计一组实验来进一步研究，以研究图形结构和属性数据中不同的信噪情景。为了解决这些方法在聚类中的性能不佳，我们引入了深层模块化网络（DMON），这是一种受群集质量模块化量度启发的无监督的汇总方法，并显示了它如何处理现实世界图的挑战性聚类结构的恢复。同样，在现实世界数据上，我们表明DMON产生的高质量群集与地面真相标签密切相关，从而获得了最先进的结果，比各个不同指标的其他合并方法提高了40％以上。关键字：图形聚类，图形神经网络，随机块模型
视觉图像理解中的图形神经网络
抽象的2D图像理解是计算机视觉中的一个复杂问题，但它是提供人级场景理解的关键。它比识别图像中的对象更进一步，而是尝试理解场景。解决此问题的解决方案构成了一系列任务的基础，包括图像字幕，视觉问题答案（VQA）和图像检索。图提供了一种自然的方式来表示图像中对象之间的关系布置，因此，近年来，图形神经网络（GNN）已成为许多2D图像理解管道的标准组成部分，成为核心体系结构组件，尤其是在VQA任务中。在本调查中，我们回顾了这种快速发展的场，并提供了2D图像理解方法中使用的图形类型的分类法，该域中使用的GNN模型的全面列表以及未来潜在发展的路线图。据我们所知，这是第一个综合调查，涵盖图像字幕，视觉问题的答案和图像检索技术，其重点是将GNN用作其架构的主要部分。
用于脑电图分析的图神经网络
为了开发最终模型，我们首先提出了几种从 EEG 信号构建图形的程序，探索表示通道间连接的不同方式以及相关特征提取的方法。目前，还没有针对阿尔茨海默病或 MCI 检测提出的 GNN 模型。因此，我们使用了类似任务所采用的架构，并针对我们的特定领域对其进行了修改。最后，在同一组指标下评估一组连贯的图形和 GNN 模型组合。此外，对于性能最佳的组合，还研究了几个超参数的影响。为了处理所有可能的实验，我们开发了一个软件框架，可以轻松构建不同类型的图形、创建模型并评估其性能。
使用图的大脑网络分析的基准
人的大脑是复杂的神经生物学系统的核心，其中神经元，电路和子系统在策划行为和认知方面进行了研究。神经科学的最新研究表明，大脑区域之间的相互作用是神经发育和疾病分析的关键驱动因素[1，2]。使用结构或功能连通性映射人脑的连接组已成为神经成像分析最普遍的范式之一。重新说，从地理深度学习中动机的图形神经网络（GNN）由于其建模复杂的网络数据建模而引起了广泛的兴趣。在文献中，功能和结构联系被广泛认为是用于大脑调查的有价值的信息资源[3]。但是，他们主要在特定的私人数据集上对其建议的模型进行实验。由于道德问题，通常无法公开使用的数据集，并且未披露成像预处理的详细信息，从而使其他研究人员无法重新调查实验。目前尚未进行有关如何设计有效GNN用于脑网络分析的系统研究。为了弥合这一差距，我们提出了BraingB，这是一种用于GNNS的大脑网络分析的基准，并于2023年在IEEE-TMI上发表[4]。1。我们在同类和模式的四个数据集上进行实验，并建议一组在大脑网络上进行有效GNN设计的食谱。基于这四个维度的不同组合作为基准，我们的贡献是四个方面：•建立了一个统一，模块化，可扩展和可重复的框架，用于使用GNN进行大脑网络分析，以实现可重复性。它旨在通过可访问的数据集，标准设置和基线来启用公平评估，以促进计算神经科学和其他相关社区中的协作环境。•我们总结了功能和结构性大脑网络的预处理和施工管道，以弥合神经影像学和ML社区之间的差距。•我们将基于GNN的大脑网络分析的感兴趣的设计空间分解为四个模块：（1）节点feapers，（b）消息通讯机制，（c）注意机制和（d）汇总策略。
阿尔茨海默氏病和癫痫用例
脑电图（EEG）被广泛用作一种非侵入性技术，用于诊断几种脑部疾病，包括阿尔茨海默氏病和癫痫病。直到最近，人类专家已经通过脑电图读数发现了疾病，这不仅可能是特定的，而且很难找到，而且还会遭受人为错误。尽管最近出现了用于解释脑电图的机器学习方法，但大多数方法无法捕获人脑不同区域中信号之间的基本任意非欧几里得关系。在这种情况下，图形神经网络（GNN）因其在不同类型的图形结构数据中有效分析复杂关系的能力而引起了人们的关注。这包括脑电图，一个用例相对尚未探索。在本文中，我们旨在通过提出一项研究的研究来弥合这一差距，该研究应用于基于脑电图的阿尔茨海默氏病的检测以及对两种不同类型的癫痫发作的歧视。为此，我们通过证明单个GNN体系结构在两种用例中都可以实现最新性能来证明GNN的价值。通过设计空间探索和解释性分析，我们开发了一种基于图形的变压器，该变压器在阿尔茨海默氏病的三元分类变体和癫痫用例的三元分类变体中，可实现超过89％和96％的交叉验证准确性，与专家学家绘制的直觉相匹配。我们还讨论了GNN对脑电图的实时操作的计算效率，概括性和潜力，将其定位为分类各种神经病理学的宝贵工具，并为研究和临床实践开辟了新的前景。
用于脑图学习的图神经网络：一项调查
探索人脑的复杂结构对于理解大脑功能和诊断脑部疾病至关重要。得益于神经成像技术的进步，一种新方法已经出现，该方法涉及将人脑建模为图结构模式，其中不同的大脑区域表示为节点，这些区域之间的功能关系表示为边。此外，图神经网络（GNN）在挖掘图结构数据方面表现出显着优势。开发 GNN 来学习脑图表征以进行脑部疾病分析最近引起了越来越多的关注。然而，缺乏系统的调查工作来总结该领域的当前研究方法。在本文中，我们旨在通过回顾利用 GNN 的脑图学习工作来弥补这一空白。我们首先介绍基于常见神经成像数据的脑图建模过程。随后，我们根据生成的脑图类型和目标研究问题对当前的作品进行系统分类。为了让更多感兴趣的研究人员能够接触到这项研究，我们概述了代表性方法和常用数据集，以及它们的实现来源。最后，我们介绍了对未来研究方向的见解。本次调查的存储库位于 https://github.com/XuexiongLuoMQ/Awesome-Brain-Graph-Learning-with-GNNs。
子图结构对图神经网络的成员推理攻击
图形神经网络（GNN）已被广泛应用于不同域之间的变量应用。但是，最近的研究表明，GNN易受成员推理攻击（MIA）的影响，该攻击旨在推断该模型的培训数据中包括某些特定的数据样本。虽然大多数先前的MIA都集中在训练图内的单个节点和边缘的成员中，但我们引入了一种新型的成员推理攻击形式，称为结构成员推理攻击（SMIA），该攻击（SMIA）旨在确定一组特定的目标结构，例如某个特定目标结构，例如集团或多跳训练图中的特定目标结构。为了解决此问题，我们提出了新颖的黑盒SMIA攻击，这些攻击利用了目标GNN模型产生的推理的预测输出。我们的方法涉及培训三标签分类器，该分类器与影子训练相结合，有助于加入推理攻击。我们对三种代表性GNN模型和三个现实世界图数据集的广泛实验评估表明，我们提出的攻击始终超过三个基线方法，包括采用常规链接成员资格推理攻击来推断子图结构的方法。此外，我们设计了一种防御机制，将扰动引入节点嵌入，从而影响了目标模型的相应预测输出。我们的防御选择性地覆盖了节点床中的尺寸，这些尺寸对模型的准确性影响最小。我们的经验结果表明，我们的方法的防御效力与两种既定的防御技术相媲美，这些技术采用了差异隐私。此外，与现有的两种防御方法相比，我们的方法在防御强度和目标模型的准确性之间取得了更好的权衡。