XiaoMi-AI文件搜索系统
World File Search SystemGNN
葡萄：学习为可伸缩图神经网络示例图
图形神经网络（GNNS）学会通过汇总邻居的信息来表示节点。随着GNNS的深度增加，它们的接受场成倍增长，导致高度记忆成本。文献中提出的几件作品旨在解决通过抽样或使用历史嵌入来解决这一缺点。这些方法主要集中在同质图上的单标签节点分类的基准上，其中相邻的节点通常共享相同的标签。但是，这些方法中的大多数都依赖于可能不会在不同的图形或任务上概括的静态启发式方法。我们认为，采样方法应具有自适应，并适应每个图的复杂结构特性。为此，我们引入了葡萄，这是一种自适应抽样方法，该方法学会识别一组对于训练GNN至关重要的节点。葡萄通过优化下游任务目标来训练第二个GNN，以预测节点采样概率。我们评估涉及同质图和异地图的各种淋巴分类基准的葡萄。我们证明了葡萄在准确性和可伸缩性中的有效性，尤其是在多标签异质图中。此外，葡萄的使用数量级比基于历史嵌入的强基线要少。与其他采样方法不同，葡萄的精度也很高，即使样本量较小，因此可以扩展到大量图。我们的实施在线公开可用。1。
使用因果启发的神经网络对治疗性扰动的组合预测
表型驱动的方法通过分析将患病与健康状态区分开的表型特征来鉴定遇到疾病的化合物。这些方法可以指导发现有针对性的扰动，包括小分子药物和遗传干预措施，这些扰动将疾病表型调节针对更健康状态。在这里，我们介绍了PDGRAPHER，这是一种因果启发的图形神经网络（GNN），旨在预测能够逆转疾病表型的能够逆转脑臂（一组治疗靶标）。与学习扰动如何改变表型的方法不同，Pdgrapher解决了直接预测实现所需响应所需的急性的信息问题。pdgrapher是一种将疾病细胞态嵌入基因调节或蛋白质 - 蛋白质相互作用网络中的GNN，学习了这些状态的潜在表示，并确定最佳的组合扰动，最有效地将患病的状态转移到该潜在的潜在水平内所需的身影状态。在具有化学性能的九种细胞系中的实验中，PDGRAPHER鉴定出比竞争方法高达13.33％的有效脑扰手，并获得了高达0.12的归一化折扣累积增益，以高达0.12个，以分类治疗靶标。它还在十个遗传扰动数据集上表现出竞争性能。PDGRAPHER的一个主要优势是其直接的预测范式，与传统上在表型驱动的研究中构成的间接和计算密集型模型相反。与现有方法相比，这种方法可加速训练高达25倍。pdgrapher提供了一种快速的方法，用于识别触觉扰动和推进表型驱动的药物发现。
大脑图的可解释的稀疏-NSF -PAR
大脑图对大脑区域之间的结构和功能关系进行了建模，在涉及图分类的神经科学和临床应用中至关重要。然而，密集的大脑图构成了计算挑战，包括高运行时间和记忆使用和有限的解释性。在本文中，我们研究了图神经网络（GNN）中的有效设计，以消除嘈杂的边缘来稀疏脑图。虽然先前的作品根据解释性或任务 - 涉及属性去除嘈杂的边缘，但不能保证它们在通过频繁图提高性能方面的有效性。此外，现有方法通常忽略了多个图形的集体边缘去除。为了解决这些问题，我们引入了一个迭代框架来分析不同的稀疏模型。我们的发现是作为下降的：（i）优先考虑可解释性的方法可能不适合图形稀疏性，因为它们可以在图形分类任务中降低GNNS的性能； （ii）与GNN训练同时学习边缘分类比训练后更有益； （iii）跨图的共享边缘选择优于每个图的单独选择； （iv）与任务相关的梯度信息有助于边缘选择。基于这些见解，我们提出了一个新的模型，可解释的图形泄漏（IGS），该模型可增强图形分类性能高达5.1％，而边缘减少了55.0％。IG识别的保留边缘提供了神经科学解释，并得到了公认的文献的支持。
利用交叉注意力网络发现成对相互作用来预测药物-靶标亲和力 S. Falahati a、F. Zamani* a、MA Khodamoradi b
在药物发现中，药物-靶标亲和力 (DTA) 被视为至关重要的一步，因为它有助于在开发过程中识别最有前途的候选药物。由于必须考虑药物和靶分子的结构和功能，以及它们复杂而非线性的相互作用，DTA 预测是一项具有挑战性的任务。本研究的目的是提出一种新颖的 DTA 预测框架，该框架利用图神经网络 (GNN) 的交叉注意网络 (CAN) 的优势。然而，使用 GNN 表示图会保留其 3D 结构信息。现有的基于注意力的方法并未充分利用它们。我们的框架使用 CAN 通过分析药物分子的不同部分如何与蛋白质的特定区域相互作用来捕获药物-靶标对的更准确表示。我们在顺序架构中使用 GIN 和 GAT 来捕获药物图分子的局部和全局结构信息。我们在两个基准数据集 Davis 和 KIBA 上评估了所提出方法的性能。其性能令人鼓舞，在均方误差 (MSE) 和一致性指数 (CI) 方面优于许多最先进的方法。具体来说，对于 Davis 数据集，我们实现了 0.222 的 MSE 和 0.901 的 CI，而对于 KIBA，我们获得了 0.144 的 MSE 和 0.883 的 CI。我们的方法提高了相互作用分析的可解释性和特异性，为药物发现过程提供了更深入的见解，并为预测的 DTA 提供了有价值的解释。我们的研究代码可在以下网址获取：https://github.com/fsonya88/CAN-DTA。
fbnetgen：通过功能性脑网络生成
功能磁共振成像（fMRI）是研究大脑功能的最常见成像模态之一。最新的神经科学的研究压力由fMRI数据构建的功能性脑网络的巨大潜力，以进行临床预测。传统功能大脑网络是嘈杂的，并不意识到下游预测任务，同时也与深图神经网络（GNN）模型不兼容。为了完全释放GNN在基于网络的fMRI分析中的力量，我们开发了FBNet-Gen，这是一种通过深脑网络生成的任务感知和可解释的fMRI分析框架。尤其是我们制定（1）关注的关注区域（ROI）具有提取，（2）脑网络的生成，以及（3）在特定预测任务的指导下，在可端到端的可训练模型中，用GNNS进行了临床预测。随着过程，关键的新颖组件是图形生成器，该图形学会将原始的时间序列特征转换为以任务为导向的大脑网络。我们的可学习图还通过突出与预测相关的大脑区域来提供独特的解释。在两个数据集上进行了全面的实验，即最近发布且目前最大的公开利用FMRI数据集青少年脑认知发展（ABCD）和广泛使用的FMRI数据集PNC，证明了FBNETGEN的卓越有效性和可解释性。该实现可在https://github.com/wayfear/fbnetgen上获得。关键字：fMRI，大脑网络，图形生成，图形神经网络
用于多智能体轨迹预测的二阶图微分方程
多智能体轨迹预测是一项基础任务，可应用于自动驾驶、物理系统建模和智慧城市等各个领域。该任务具有挑战性，因为智能体交互和底层连续动力学共同影响其行为。现有方法通常依赖图神经网络 (GNN) 或 Transformer 来提取智能体交互特征。然而，它们往往忽略了智能体之间的距离和速度信息如何动态地影响它们的交互。此外，以前的方法使用 RNN 或一阶常微分方程 (ODE) 来模拟时间动态，这可能缺乏对每个智能体如何受交互驱动的解释性。为了应对这些挑战，本文提出了 Agent Graph ODE，这是一种显式模拟智能体交互和连续二阶动力学的新方法。我们的方法采用变分自编码器架构，在编码器模块中结合了具有距离信息的时空Transformer和动态交互图的构建。在解码器模块中，我们采用具有距离信息的GNN来建模智能体交互，并使用耦合的二阶微分方程(ODE)来捕捉底层的连续动力学，该微分方程通过建模加速度和智能体交互之间的关系来构建模型。实验结果表明，我们提出的Agent Graph ODE在预测精度方面优于最先进的方法。此外，我们的方法在训练数据集中未见的突发情况下也表现良好。
Dl!lP 陆军一般命令！总部，
~由美国政府拥有。威尔逊获得功绩勋章。他获得以下荣誉学位：法学博士、韦恩大学法学院；工程博士，纽伦堡综合技术学院；哥伦布大学索勒斯博士学位；法学博士，：Mt.U11lon 学院
人工智能如何加速机器学习开发
Kumo 是智能数据科学领域的领导者，因为它利用图形结构的力量提供性能最高的模型和最准确的预测——直至实体级别。这是通过自动将关系数据转换为图形并使用图形神经网络 (GNN)（一种为图形设计的 AI 模型）从数据中的关系中学习来实现的。Kumo 可以使用低代码、类似 SQL 的查询快速构建高度准确的模型，这些模型可以跟上业务问题的步伐，这些查询可以预测细分、生命周期价值、行为等内容，从而改善个性化和推荐。
数字经济中的供应链管理：
供应链管理 (SCM) 在协调从供应商到消费者的商品和服务流动方面发挥着关键作用，从根本上影响着全球的商业运作。然而，传统的 SCM 面临着重大的局限性，例如在处理复杂数据结构和适应快速的市场变化方面效率低下，这削弱了运营效率。深度学习技术在 SCM 中的应用越来越被人们认为至关重要，它为实时可视性、预测分析和增强决策能力提供了强大的工具。我们提出了一种 VAE-GNN-DRL 网络模型，该模型集成了变分自动编码器 (VAE)、图神经网络 (GNN) 和深度强化学习 (DRL)，通过高效处理和分析复杂的供应链数据来应对这些挑战。
GNN4REL：用于预测电路的图神经网络...
摘要 — 工艺变化和器件老化给电路设计人员带来了巨大的挑战。如果不能准确了解变化对电路路径延迟的影响，就无法正确估计用于防止时序违规的保护带。对于先进技术节点，这个问题更加严重，因为晶体管尺寸达到原子级，既定裕度受到严重限制。因此，传统的最坏情况分析变得不切实际，导致无法容忍的性能开销。相反，工艺变化/老化感知静态时序分析 (STA) 为设计人员提供了准确的统计延迟分布。然后可以有效地估计较小但足够的时序保护带。但是，这种分析成本高昂，因为它需要密集的蒙特卡罗模拟。此外，它需要访问机密的基于物理的老化模型来生成 STA 所需的标准单元库。在这项工作中，我们采用图神经网络 (GNN) 来准确估计工艺变化和器件老化对电路内任何路径延迟的影响。我们提出的 GNN4REL 框架使设计人员能够快速准确地进行可靠性评估，而无需访问晶体管模型、标准单元库甚至 STA；这些组件都通过代工厂的训练整合到 GNN 模型中。具体来说，GNN4REL 是在 FinFET 技术模型上进行训练的，该模型根据工业 14 nm 测量数据进行了校准。通过对 EPFL 和 ITC-99 基准以及 RISC-V 处理器的大量实验，我们成功估计了所有路径的延迟退化（尤其是在几秒内），平均绝对误差低至 0。01 个百分点。