XiaoMi-AI文件搜索系统
World File Search SystemGNNS
在机器学习春季季度，2025天/时间
教学大纲：1。图理论和网络科学背景（≈25％）A。基本定义和符号B.关键属性和概念C.网络分析基础D.应用 /激励示例2。< / div>图形模型（≈37.5％）A。图形模型的概述B.定向图形模型（贝叶斯网络）C。无向图形模型（马尔可夫随机字段）D。推理方法和不确定性E.图形模型中的学习。应用程序3。基于图的神经网络和几何深度学习（≈37.5％）A。为什么图形神经网络（GNN）？B.早期图形嵌入方法C.图形卷积网络（GCN）D. GNN体系结构的变体E.几何深度学习中的主题F.培训和实际考虑G.应用和成功故事
使用DFT和深度学习的高压氢化物超导体的数据驱动设计
摘要在超高压力下（例如，H 3 S和LAH 10）在基于氢化物的材料中的超导性观察引起了人们对发现新的高压氢化物超导体的更具数据驱动方法的兴趣。在这项工作中，我们进行了密度功能理论（DFT）计算，以预测（0-500）GPA的压力范围内900多种氢化物材料的临界温度（T C），在此，我们发现122个动态稳定的结构，在MGB 2（39 K）上方的t C上有122个T C c。为了加速筛选，我们训练了图形神经网络（GNN）模型，以预测T C，并证明可以使用通用机器学习的力场来放宽在任意压力下的氢化物结构，并大大降低了成本。通过组合DFT和GNN，我们可以在压力下建立更完整的氢化物图。
![arxiv：2501.16346v1 [cs.lg] 2025年1月18日](/simg/g:\will\search\icon\source\1\10c0964b0368b2f7aecdd616acbf1ae8f0dbaacb.webp)
arxiv：2501.16346v1 [cs.lg] 2025年1月18日
抽象功能磁共振成像（fMRI）在任务或休息期间对大脑功能提供了有用的见解。使用相关矩阵代表fMRI数据是分析静止状态和活动状态中大脑固有连接性的一种可靠方法。图形神经网络（GNN）由于其固有的解释能力而被广泛用于大脑网络分析。在这项工作中，我们使用对比度自我监督的学习图变压器引入了一个新颖的框架，并将大脑网络变压器编码器与随机图更改结合在一起。所提出的网络利用对比度学习和图形变化，以有效地训练图形变压器以进行自闭症检测。我们的方法对自闭症脑成像数据交换（ABIDE）数据进行了测试，证明了自闭症检测，其AUROC为82。6和74％的精度超过了当前的最新方法。
![arxiv：2501.07994v1 [cs.cv] 2025年1月14日](/simg/g:\will\search\icon\source\c\cf0bc4d3de0f3d3629290402e430b2d6c96cb963.webp)
arxiv：2501.07994v1 [cs.cv] 2025年1月14日
阿尔茨海默氏病（AD）是一种进行性神经退行性疾病，导致大量记忆力障碍，使早期诊断至关重要[1]。此外，使用MRI预测大脑年龄已成为识别与各种神经病理相关的成像生物标志物的临床重要方法。许多研究提出了脑年龄预测作为表征这些条件的一种手段[2]。神经影像学，例如结构性MRI，已无法诊断。随着大规模数据集的可用性，应用复杂的毕生学习算法激增，以增强我们对神经退行性疾病的理解和预测能力[3，4]。大脑结构的复杂解剖结构需要采用完全捕获空间关系和几何特性的同样的方法。自动分割技术的进步[4]，促进了医学图像的解剖形状。提取的形状然后可以表示为网格，从而使强大的图形神经网络（GNNS）用于学习几何特征。在本文中，我们提出了一种深度学习方法，该方法具有从结构MRI提取的大脑形状特征的成像特征，以提高大脑年龄回归和AD分类的预测准确性。我们的方法
磁铁：用于有向图的神经网络
基于图的数据的流行刺激了图神经网络（GNN）和相关的机器学习算法的快速发展。然而，尽管许多数据集自然而然地按照指示图进行建模，包括引文，网站和交通网络，但本研究的绝大多数都集中在无向图上。在本文中，我们提出了磁铁，这是一个基于复杂的Hermitian基质的有向图的GNN，称为磁性拉普拉斯式。此矩阵在其相位中的条目的大小和方向信息中编码了无方向的几何结构。“电荷”参数将光谱信息与定向周期之间的变化变化。我们将网络应用于各种有向的图节点分类，并链接预测任务，显示磁铁在所有任务上都表现良好，并且其性能超过了大多数此类任务的所有其他方法。磁铁的基本原理可以使其适应其他GNN架构。
通过合成坐标在分子图上进行定向信息传递
通过定向消息传递利用坐标的图神经网络最近在多个分子特性预测任务中取得了最新进展。然而，它们依赖于通常不可用的原子位置信息，而获取这些信息通常非常昂贵甚至不可能。在本文中，我们提出了合成坐标，使高级 GNN 的使用无需真正的分子配置。我们提出了两种距离作为合成坐标：指定分子配置粗略范围的距离界限，以及使用个性化 PageRank 的对称变体的基于图的距离。为了利用距离和角度信息，我们提出了一种将普通图神经网络转换为定向 MPNN 的方法。我们表明，通过这种转换，我们可以在 ZINC 基准上将普通图神经网络的误差降低 55%。此外，我们通过在 SMP 和 DimeNet ++ 模型中加入合成坐标，在 ZINC 和无坐标 QM9 上取得了最新进展。我们的实现可以在线获得。1
基于图形神经网络的灵活在线路由
abtract的深入增强学习（DRL）已被广泛用于寻找最佳路由方案，以满足用户的各种需求。但是，DRL的优化目标通常是静态的，因为网络环境是动态的。交通环境的变化或净工作设备的重新配置通常会导致网络性能的定期变化（例如，吞吐量降低和潜伏期峰）。传统的静态目标配置不能反映动态净工作环境中不同指标的重要性差异，从而导致基于DRL的路由算法的僵化性。为了解决上述问题，我们建议使用Graph神经网络（GNNS）和DRL的在线路由优化算法优化。通过对网络的不同特征（例如路径，流和链接）之间的关系进行建模和理解，我们提出的GNN模型可以预测网络性能指标的未来开发（即延迟，吞吐量和丢失），从而迅速调整路由算法的目标。然后，使用我们提出的DRL模型，代理可以学习适应不同环境变化的最佳途径。我们在控制平面上实现了G路线甲基元素，并使用现实世界网络拓扑和流量数据执行模拟实验。实验结果表明，当网络环境发生重大变化时，我们提出的G路线会收敛得更快，达到较低的抖动并生成更可靠的路由方案。
lpit- SOC / Stgo / Protection SG -Net < / div>
定义：IEC [321-01-01]定义的仪器变压器。旨在将信息信号传输到测量仪器，仪表以及保护性或控制设备的变压器。lpit：IEC 61869定义的低功率仪器变压器。它旨在连接到需要低功率（模拟或数字）的仪器，仪表和保护或控制设备。LPIT的一般设计包含3个元素：传感，链接和合并单元，如第2章FD-PAC：完全数字保护和控制系统。保护和控制系统旨在从其数字信息信号中接收数字信息信号。sv：由IEC 61850定义的采样值：从LPIT传输信息到FDPAC的数字信息格式。Other symbols and abbreviated terms AC alternating current ADC analogue-to-digital converter AIS air-insulated switchgear CS control system CT current transformer CVT capacitor voltage transformer EIT electronic LPIT EMC electromagnetic compatibility GIS gas-insulated switchgear GNNS global navigation satellite system IED intelligent electronic device IT instrument transformer LPIT low-power instrument transformer LPVT低功率电压变压器MU合并单元NCIT LPIT NTP NTP网络时间协议PACS保护自动化和控制系统PMU量法测量单元PTP精度时间协议SAMU独立合并单元TSO传输系统操作员
人工智能赋能未来无线网络的资源管理
摘要 —资源管理在无线网络中起着至关重要的作用，但不幸的是，这会导致具有挑战性的 NP 难题。人工智能 (AI)，尤其是深度学习技术，最近已成为一种颠覆性技术，可以实时解决此类挑战性问题。然而，尽管已经报告了有希望的结果，但仍然缺乏基于 AI 的方法的实用设计指南和性能保证。在本文中，我们努力解决两个基本问题：1）与传统技术相比，基于 AI 的方法的主要优势是什么；2）对于给定的资源管理任务，我们应该选择哪种神经网络。对于第一个问题，我们确定并讨论了四个优势。对于第二个问题，提出了最优差距，即与最佳性能的差距，作为选择模型架构的一种衡量标准，同时也可以对不同的基于 AI 的方法进行理论比较。具体来说，对于 K 用户干扰管理问题，我们从理论上证明了图神经网络 (GNN) 优于多层感知器 (MLP)，并且这两种方法之间的性能差距随着√而扩大
通过未来技术预测未来
摘要 - 随着大型模型的整合，尤其是那些采用深度学习技术的集成，气象预测的领域已经发生了重大的转变。本文回顾了这些模型在天气预测中的进步和应用，强调了它们在转变传统预测方法中的作用。诸如FourcastNet，Pangu-Weather，Graphcast，Climax和Fengwu之类的模型通过提供准确的高分辨率预测，超出了传统数值天气预测（NWP）模型的功能，从而做出了明显的贡献。这些模型利用先进的神经网络体系结构，例如卷积神经网络（CNN），图形神经网络（GNN）和变压器来处理各种气象数据，从而提高了各种时间尺度和空间分辨率的预测准确性。本文解决了该领域中的挑战，包括数据获取和计算需求，并探讨了模型优化和硬件进步的未来机会。它强调了人工智能与常规气象技术的整合，有望提高的天气预测准确性，并为应对与气候相关的挑战做出了重要贡献。这种协同位置将大型模型视为在气象预测不断发展的景观中的关键。