XiaoMi-AI文件搜索系统
World File Search SystemGNN
指导摇动-AS-A-DATA生成 - 诉状 - 核能...
图1：整体工作流程：在第一步中，我们使用带导的对接进行策划的激酶活性数据（Kinodata）在计算机中生成结构蛋白质 - 配体。然后对此增强数据集进行测试，以确保其对绑定亲和力预测任务的有用性。在第二步中，我们使用对接姿势与两个基线模型-DTI和GNN-比较了CGNN模型，而无需访问生成的3D信息。
![arxiv：2402.14708v2 [cs.lg] 2024年11月27日](/simg/f\f4eea40ae577324e7367cebb2de8336e7a99368e.webp)
arxiv：2402.14708v2 [cs.lg] 2024年11月27日
信用卡欺诈对经济构成重大威胁。虽然图神经网络（GNN） - 基于基于的欺诈检测方法表现良好，但它们经常忽略节点局部结构对预测的因果影响。本文介绍了一种新颖的信用卡欺诈检测方法，即ca usal t emporal g raph n eural n etwork（cat-gnn），该方法利用了因果不变的学习来揭示事务数据中的固有相关性。通过将问题分解为发现和干预阶段，CAT-GNN可以识别事务图中的因果节点，并应用因果混合策略来增强模型的效果和解释性。cat-gnn由两个关键组成部分组成：因果检查员和因果关系。因果检查员利用时间注意机制中的调整权重识别因果和环境节点而无需引入其他参数。随后，因果关系基于一组节点对环境节点进行因果混合性。在三个数据集上进行了评估，包括一个私人财务数据集和两个公共数据集，CAT-GNN表现出优于现有最新方法的卓越性能。我们的发现突出了将因果原因与图形神经网络相结合以提高金融交易中欺诈检测能力的潜力。
一种新型运动图像分类的模型
摘要：运动图像分类对具有移动性障碍的人具有很大的意义，以及如何提取和利用运动图像脑图像（EEG）渠道的有效特征一直是注意力的焦点。有许多不同的方法用于运动临时分类，但是对人脑的有限理解需要更多有效的方法来提取脑电图数据的特征。图形神经网络（GNN）已证明其在分类图结构中的效果。 GNN的使用为大脑结构连接特征提取提供了新的可能性。在本文中，我们提出了一个新的图形神经网络，基于称为MutualGraphnet的原始EEG通道的相互信息。我们使用相互信息作为与空间时间图卷积网络（ST-GCN）相结合的ADJACENCY矩阵可以提取运动成像电脑图（EEG）的过渡规则，更有效地通道数据。实验是在运动图像脑电图数据集上进行的，我们将模型与当前的最新方法进行了比较，结果表明，互助网络足够强大，足以学习可解释的特征并优于当前最新方法。关键字：图形卷积，深度学习，脑电图（EEG），脑部计算机间（BCI）
MCGNet+：基于余弦相似度的改进运动想象分类
解决运动想象分类问题一直是脑信息学领域的难题。由于计算能力和算法可用性无法满足复杂的脑信号分析，准确度和效率是过去几十年运动想象分析的主要障碍。近年来，机器学习（ML）方法的快速发展使人们能够用更有效的方法来解决运动想象分类问题。在各种ML方法中，图神经网络（GNN）方法在处理相互关联的复杂网络方面显示出了其效率和准确性。GNN的使用为从大脑结构连接中提取特征提供了新的可能性。在本文中，我们提出了一种名为MCGNet +的新模型，它提高了我们之前的模型MutualGraphNet的性能。在这个最新的模型中，输入列的互信息形成了列间余弦相似度计算的初始邻接矩阵，从而在每次迭代中生成一个新的邻接矩阵。动态邻接矩阵与时空图卷积网络（ST-GCN）相结合，比不变矩阵模型具有更好的性能。实验结果表明，MCGNet+具有足够的鲁棒性来学习可解释的特征，并且优于目前最先进的方法。
使用自适应智能预测时间序列的图形强化学习
摘要 - 强化学习以其能够对顺序任务进行建模和学习潜在数据模式的能力而闻名。深度学习模型已在回归和分类任务中广泛探索和采用。但是，深度学习具有其局限性，例如假设均等和有序数据，以及缺乏在时间序列预测方面合并图形结构的能力。图形性化neu-ral网络（GNN）具有克服这些挑战并捕获时间序列数据中的时间依赖性的能力。在这项研究中，我们提出了一种新的方法，用于使用GNN和增强学习（RL）监测时间序列数据。gnns能够将数据的图形结构明确地纳入模型，从而使它们能够以更自然的方式捕获时间依赖性。这种方法允许在复杂的时间结构中进行更准确的预测，例如医疗保健，交通和天气预报中的预测。我们还使用贝叶斯优化技术来微调我们的GraphRl模型，以进一步提高性能。所提出的框架在时间序列预测和监视中优于基线模型。本研究的贡献包括引入时间序列预测的新型GraphRl框架，以及与传统深度学习模型（例如RNN和LSTMS）相比，GNNS的有效性的证明。总体而言，这项研究证明了GraphRL在动态RL环境中提供准确有效的预测的潜力。
FedBrain：基于连接组的脑成像分析的图形神经网络的联合培训
神经影像技术的最新进步引发了人们对了解感兴趣的解剖区域（ROI）之间复杂相互作用的越来越兴趣，形成了大脑网络，这些网络在各种临床任务中起着至关重要的作用，例如神经疗法发现和疾病诊断。近年来，图形神经网络（GNN）已成为分析网络数据的强大工具。然而，由于数据获取和监管限制的复杂性，大脑网络研究的规模仍然有限，并且通常仅限于当地机构。这些局限性极大地挑战了GNN Mod-捕获有用的神经电路模式并提供强大的下游性能。作为一个分布式机器学习范式，联邦学习（FL）通过在没有数据共享的情况下启用跨本地机构（即客户）的协作学习，为解决资源限制和隐私问题提供了有希望的解决方案。虽然在最近的FL文献中已经广泛研究了数据性质问题，但跨机构的大脑网络分析提出了独特的数据异质性挑战，也就是说，跨局部神经模仿研究的不一致的ROI ROI分析系统以及不同的预测性神经回路模式。为此，我们提出了FedBrain，这是一个基于GNN的个性化FL框架，考虑了大脑网络数据的独特属性。与现有的FL策略相比，我们的方法表现出了更高和更合适的性能，展示了其在基于跨机构连接的大脑成像分析中的强大潜力和概括性。具体而言，我们提出了一种联合地图集地图映射机制，以克服不同ROI图集系统引起的大脑网络的特征和结构异质性，以及由临床先验知识指导的聚类方法，以解决有关不同患者群体的不同预测性神经电路模式，神经模仿的模态和临床临床胜于现象。该实施可在此处获得。
缓解偏见：通过改进模型解释来增强图像分类
二元优化是指下场景，在该方案中，低级能量功能的最佳解决方案是感兴趣的高级目标的输入功能。这些最佳特征通常取决于低级能量的可调参数，以使整个二合一管道可以端到端训练。尽管通常不这样做，但本文展示了如何将多种图形学习技术重新铸造为特殊的二聚体优化或简化的案例。简而言之，在先前的工作中建立，我们首先得出了一个更弹性的能量功能，当与各种下降步骤配对时（例如，梯度降低，近端方法，动量等。），形式图神经网络（GNN）消息传递层；至关重要的是，我们还仔细地将任何残留近似误差都相对于基本构成消息传播函数而仔细包装。然后，我们探究了该框架的几个简化，以通过基于非GNN的图形学习方法得出密切的连接，包括知识图嵌入，各种形式的标签传播以及有效的图形调查MLP模型。最后，我们提出了经验结果，这些结果证明了所提出的双杆镜头的多功能性，我们称之为bloomgml，表明双光线优化提供了更多的图形机器学习。我们的代码可在https://github.com/amberyzheng/bloomgml上使用。令ML绽放。
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。
GeNNius：一种基于图神经网络的超快药物-靶标相互作用推理方法
药物-靶标相互作用 (DTI) 预测是药物再利用领域中一项相关但具有挑战性的任务。计算机模拟方法引起了特别的关注，因为它们可以降低传统方法的相关成本和时间投入。然而，当前最先进的方法存在几个局限性：现有的 DTI 预测方法在计算上成本高昂，从而阻碍了使用大型网络和利用可用数据集的能力，并且 DTI 预测方法对未见数据集的推广仍未探索，这可能会在准确性和稳健性方面改善 DTI 推断方法的开发过程。在这项工作中，我们介绍了 GE NN IUS（图嵌入神经网络相互作用发现系统），这是一种基于图神经网络 (GNN) 的方法，在各种数据集的准确性和时间效率方面均优于最先进的模型。我们还通过评估每个数据集中以前未知的 DTI 展示了其发现新相互作用的预测能力。我们通过在不同数据集上训练和测试 GE NN IUS 进一步评估了其泛化能力，结果表明该框架可以通过在大型数据集上训练并在较小的数据集上测试来潜在地改进 DTI 预测任务。最后，我们定性地研究了 GE NN IUS 生成的嵌入，发现 GNN 编码器在图卷积之后保留了生物信息，同时通过节点传播这些信息，最终在节点嵌入空间中区分蛋白质家族。
基于图神经网络的社交物联网聚类
摘要 — 在本文中，我们提出了一种机器学习过程，用于将大规模社交物联网 (SIoT) 设备聚类为几组具有强关系的相关设备。为此，我们根据物联网设备的历史数据集及其社交关系生成无向加权图。使用这些图的邻接矩阵和物联网设备的特征，我们使用图神经网络 (GNN) 嵌入图的节点，以获得物联网设备的数值向量表示。向量表示不仅反映了设备的特性，还反映了它与同类设备的关系。然后将获得的节点嵌入输入到传统的无监督学习算法中，以相应地确定聚类。我们使用两种众所周知的聚类算法展示获得的物联网组，特别是 K 均值和基于密度的聚类发现算法 (DBSCAN)。最后，我们将所提出的基于 GNN 的聚类方法在覆盖率和模块性方面的性能与仅应用于从不同关系创建的图的确定性 Louvain 社区检测算法的性能进行比较。结果表明，该框架在聚类大型物联网系统方面取得了有希望的初步成果。索引术语 — 物联网 (IoT)、聚类、深度学习、图神经网络。