XiaoMi-AI文件搜索系统
World File Search SystemGNN
![arXiv:2209.06005v1 [q-bio.NC] 2022 年 9 月 13 日](/simg/9\94c76e4a20b6a5d5690db93c0a110ad77a942097.webp)
arXiv:2209.06005v1 [q-bio.NC] 2022 年 9 月 13 日
摘要：训练一次性学习模型的一个核心挑战是数据空间中可用样本的代表性有限。特别是在网络神经科学领域，大脑以图形表示，这种模型在对大脑状态（例如，正常与自闭症）进行分类时可能会导致性能低下。为了解决这个问题，大多数现有工作都涉及数据增强步骤，以增加训练集的大小、多样性和代表性。虽然有效，但这种增强方法仅限于生成与输入样本大小相同的样本（例如，从单样本矩阵生成大脑连接矩阵）。据我们所知，从单个大脑图生成大脑多图以捕捉节点对（即解剖区域）之间的多种连接类型的问题仍未解决。在本文中，我们前所未有的提出了一种混合图神经网络 (GNN) 架构，即多图生成器网络或简称 MultigraphGNet，它包含两个子网络：（1）多对一 GNN，将大脑多图输入群体整合到单个模板图中，即连接大脑模板 (CBT)，以及 (2) 反向一对多 U-Net 网络，它在每个训练步骤中采用学习到的 CBT 并输出重建的输入多图群体。这两个网络都使用循环损失以端到端的方式进行训练。实验结果表明，与在每个类别的单个 CBT 上进行训练相比，我们的 MultigraphGNet 在增强的大脑多图上进行训练时提高了独立分类器的性能。我们希望我们的框架可以为未来从单个图进行多图增强的研究提供一些启示。我们的 MultigraphGNet 源代码可在 https://github.com/basiralab/MultigraphGNet 获得。
从分子预训练模型中提取训练数据
图形神经网络（GNN）已显着提高了药物发现领域，从而提高了分子鉴定的速度和效率。但是，培训这些GNN需要大量的分子数据，这促使了协作模型共享计划的出现。这些举措促进了在组织中共享分子预培训模型的情况，而无需暴露专有培训数据。尽管有好处，但这些分子预训练的模型仍可能带来隐私风险。例如，恶意对手可以执行数据提取攻击以恢复私人培训数据，从而威胁商业秘密和协作信任。这项工作首次探讨了从分子预训练模型中提取私人训练分子数据的风险。这项任务是非凡的，因为分子预训练的模型是非生成性的，并且表现出多种模型架构，这与语言和图像模型明显不同。为了解决这些问题，我们引入了一种分子生成方法，并提出了一种新颖的，独立于模型的评分函数，以选择有希望的分子。为了有效地减少潜在分子的搜索空间，我们进一步引入了一个分子提取策略网络，以进行分子提取。我们的实验表明，即使仅查询分子预先训练的模型，也存在提取培训数据的很大风险，这挑战了这样的假设，即单独模型共享提供了足够的保护，以防止数据提取攻击。我们的代码可在以下网址公开获取：https：//github.com/ molextract/data-extraction-from-molecular-molecular-pre-preated-model-model。
用于基于视频的面部疼痛表情评估的深度图神经网络
自动疼痛评估可以定义为一组用于识别疼痛状态的计算机辅助技术。可靠有效的疼痛评估方法对于客观和持续监测无法口头交流的人的疼痛至关重要。在这项研究中，我们提出了一种通过分析面部表情来识别疼痛的新方法。更具体地说，我们评估了图神经网络 (GNN) 架构的有效性，该架构利用了一组自动跟踪受试者面部的基准点的固有图结构。在公开可用的数据集 BioVid 上进行的实验表明，与基线模型相比，所提出的方法在动作疼痛方面达到了更高的准确度，同时在自发性疼痛方面也超越了最先进的方法。
使用功能性MRI数据
主要抑郁症（MDD）是最常见的精神障碍之一，对许多日常活动和生活质量产生了重大影响。它是全球最常见的精神障碍之一，并将其列为残疾的第二大主要原因。当前的MDD诊断方法主要依赖于临床观察和患者报告的症状，忽视了导致抑郁症的各种基本原因和病理生理因素。因此，科学研究人员和临床医生必须对MDD中涉及的病理生理机制有更深入的了解。神经科学中越来越多的证据表明抑郁症是一种脑网络障碍，而神经影像学（例如磁共振成像（MRI））在识别和治疗MDD中起着重要作用。休息状态功能性MRI（RS-FMRI）是用于研究MDD的最流行的神经影像学技术之一。深度学习技术已被广泛应用于神经影像学数据，以帮助早期精神健康障碍检测。近年来，人们对图神经网络（GNN）的兴趣增加了，它们是专门设计用于处理RS-FMRI（例如RS-FMRI）的深神经体系结构。这项研究旨在开发一种基于整体的GNN模型，该模型能够检测RS-FMRI图像中的歧视性特征，以诊断MDD。具体来说，我们通过结合多个大脑区域分割图像群的特征来捕获大脑复杂性并更准确地检测到不同特征的特征，从而构建了一个集合模型。此外，通过评估其在大型多站点MDD数据集上的性能来证明我们的模型的有效性。所有折叠中最佳性能模型的精度为75.80％，灵敏度为88.89％，特异性为61.84％，精度为71.29％，F1得分为79.12％。
属性引导的复合聚合物 -
图1：聚合物拓扑的变分自动编码器的策略。在训练阶段（顶部），用于计算一组聚合物的分子动力学（MD）模拟来计算一组聚合物的计算典型典型的抄本，例如平均平方循环半径⟨r 2 g⟩。使用人工神经网络（ANN）和图神经网络（GNN），将有关拓扑描述符和聚合物图的信息编码为低维的潜在空间。潜在空间被解码以完成重建，回归和分类任务。这些编码的特征被串联以形成降低的潜在空间，分解器从中重新构造了聚合物结构。在搜索阶段（底部）中，从潜在空间到供应聚合物进行采样，这些聚合物预测将展示目标⟨r 2 g⟩且指定的拓扑。根据MD模拟评估了这些谓词，并在验证后进行了系统分析，可以对拓扑影响如何影响其他特性，例如粘度。
基于一致性评价的药物-靶标亲和力预测方法...
摘要 - 药物发现的第一步是找到具有针对特定靶标的药用活性的药物分子部分。因此，研究药物靶标蛋白与小化学分子之间的相互作用至关重要。然而，传统的发现潜在小药物分子的实验方法劳动密集且耗时。目前，人们对使用药物分子相关数据库建立计算模型来筛选小药物分子非常感兴趣。在本文中，我们提出了一种使用深度学习模型预测药物靶标结合亲和力的方法。该方法使用改进的GRU和GNN分别从药物靶标蛋白序列和药物分子图中提取特征以获得它们的特征向量。组合向量用作药物-靶标分子对的向量表示，然后输入到完全连接的网络中以预测药物-靶标结合亲和力。该提出的模型证明了其在DAVIS和KIBA数据集上预测药物-靶标结合亲和力的准确性和有效性。
时空脑电图数据分析调查
近年来，在机器学习和人工智能的融合推动下，脑电图 (EEG) 分析领域取得了显著进步。本综述旨在概括最新发展，重点介绍有望改变我们对大脑活动的理解和解释的新兴方法和技术。我们深入研究了能够稳健地表示大脑信号的自监督学习方法，这对于各种下游应用至关重要。我们还探索了新兴的判别方法，包括图神经网络 (GNN)、基础模型和基于大型语言模型 (LLM) 的方法。此外，我们还研究了利用 EEG 数据生成图像或文本的生成技术，为大脑活动可视化和解释提供了新的视角。本调查对这些前沿技术、其当前应用以及它们对未来研究和临床实践的深远影响进行了广泛的概述。相关文献和开源材料已汇编并不断更新，网址为 https://github.com/wpf535236337/LLMs4TS
基于联合图神经网络的硬件木马节点检测
摘要 集成电路（IC）产业的全球化引发了对硬件木马（HT）的担忧，迫切需要有效的门级网表 HT 检测方法。在本文中，我们提出了一种基于图学习的门级木马节点检测方法。该方法不需要任何黄金模型，可以轻松集成到集成电路设计流程中。此外，我们进一步设计了一个联合 GNN 网络，将有向图的输入端、输出端和邻居端的信息结合起来，生成代表性节点嵌入。实验结果表明，在不同设计中，它可以达到平均 93.4% 的召回率、91.4% 的 F 度量和 90.7% 的准确率，优于最先进的 HT 检测方法。 关键词：硬件木马检测，图神经网络，无黄金参考，门级网表 分类：集成电路
使用矩阵柱状换位技术的利用来改善数据安全
摘要。图形神经网络（GNN）是用于解决复杂网络问题的图理论的高级使用。图形神经网络的应用可以通过修改与图G（V，E）的顶点或边缘相关的权重来开发网络。数据加密是一种通过将纯文本编码为复杂的数值配置来改善数据安全性的技术，从而最大程度地减少了数据泄漏的可能性。本研究旨在通过应用图神经网络和换位技术进行信息操纵来解释提高数据安全的潜力。这项研究涉及一种算法和模拟，该算法讨论了在操纵信息中使用换位方法。这是通过实现图神经网络来实现的，该图形神经网络发展了顶点和边缘之间的相互作用。这项研究的主要结果表明，经验证据支持了以下概念：秘密密钥的长度和数据加密中使用的字符数直接影响加密过程的复杂性，从而影响创建数据的整体安全性。
off n°2024-08531
神经网络中的稀疏性和结构。我们有兴趣了解拓扑在基本层面上的人工神经网络中的作用。为此，我们研究了强烈的彩票假设[NFG+24]，[DCDN23]，[DCDG+23]，[DNV22]，该假设可以修剪随机神经网络以近似于大量的功能，而无需更改初始权重。我们还对神经组合优化感兴趣，在此我们研究图形神经网络来求解图形和组合问题，例如近似中心性测量或执行网络对齐。计算神经科学。我们有兴趣开发新工具来了解神经系统并探索神经现象背后的理论。至于开发新工具，我们一直在研究网络对齐算法[FCC+21]和网络统计模型[RDN24]，并且我们目前正在研究基于GNN的一致性算法，以比较不同物种的连接。至于理论方面，我们对各种基本问题感兴趣，包括（不限于 - 大脑连通性结构的演变模型）。