XiaoMi-AI文件搜索系统
World File Search SystemGNNS
用于连接体的可解释图神经网络......
摘要。人类大脑是复杂神经生物系统的核心，其中的神经元、电路和子系统以神秘的方式相互作用。了解大脑的结构和功能机制一直是神经科学研究和临床疾病治疗的有趣追求。将人类大脑的连接映射为网络是神经科学中最普遍的范例之一。图神经网络 (GNN) 最近成为一种对复杂网络数据进行建模的潜在方法。另一方面，深度模型的可解释性较低，这阻碍了它们在医疗保健等决策关键环境中的使用。为了弥补这一差距，我们提出了一个可解释的框架来分析特定于疾病的兴趣区域 (ROI) 和突出的连接。所提出的框架由两个模块组成：一个面向大脑网络的疾病预测骨干模型和一个全局共享的解释生成器，该生成器突出显示特定于疾病的生物标志物，包括显着的 ROI 和重要连接。我们对三个真实的脑部疾病数据集进行了实验。结果验证了我们的框架可以获得出色的性能并识别有意义的生物标志物。该工作的所有代码均可在 https://github.com/HennyJie/IBGNN 上找到。
用于基于连接组的脑部疾病分析的可解释图神经网络
摘要。人类大脑是复杂神经生物系统的核心，其中的神经元、电路和子系统以神秘的方式相互作用。了解大脑的结构和功能机制一直是神经科学研究和临床疾病治疗的有趣追求。将人类大脑的连接映射为网络是神经科学中最普遍的范例之一。图神经网络 (GNN) 最近成为一种对复杂网络数据进行建模的潜在方法。另一方面，深度模型的可解释性较低，这阻碍了它们在医疗保健等决策关键环境中的使用。为了弥补这一差距，我们提出了一个可解释的框架来分析特定于疾病的兴趣区域 (ROI) 和突出的连接。所提出的框架由两个模块组成：一个面向大脑网络的疾病预测骨干模型和一个全局共享的解释生成器，该生成器突出显示特定于疾病的生物标志物，包括显着的 ROI 和重要连接。我们对三个真实的脑部疾病数据集进行了实验。结果验证了我们的框架可以获得出色的性能并识别有意义的生物标志物。该工作的所有代码均可在 https://github.com/HennyJie/IBGNN.git 上找到。
对比图池化用于可解释的分类...
摘要 — 功能性磁共振成像 (fMRI) 是一种常用的测量神经激活的技术。它在识别帕金森病、阿尔茨海默病和自闭症等潜在的神经退行性疾病方面尤为重要。最近对 fMRI 数据的分析将大脑建模为图形，并通过图神经网络 (GNN) 提取特征。然而，fMRI 数据的独特特性需要对 GNN 进行特殊的设计。定制 GNN 以生成有效且可领域解释的特征仍然具有挑战性。在本文中，我们提出了一种对比双注意块和一种可微分图池化方法（称为 ContrastPool），以更好地利用 GNN 进行大脑网络，满足 fMRI 特定的要求。我们将我们的方法应用于 3 种疾病的 5 个静息状态 fMRI 脑网络数据集，并证明了它优于最先进的基线。我们的案例研究证实，我们的方法提取的模式与神经科学文献中的领域知识相匹配，并揭示了直接而有趣的见解。我们的贡献凸显了 ContrastPool 在促进对大脑网络和神经退行性疾病的理解方面的潜力。源代码可在 https://github.com/AngusMonroe/ContrastPool 上找到。
图形神经网络技术和大脑成像诊断神经系统疾病的组合：评论和前景
摘要：神经系统疾病（NDS），例如阿尔茨海默氏病，一直对世界各地的人类健康构成威胁。通过结合人工智能技术和大脑成像来诊断ND非常重要。图形神经网络（GNN）可以建模和分析大脑，形态学，解剖结构，功能特征和其他方面的成像，从而成为ND诊断中最好的深度学习模型之一。一些研究人员已经调查了GNN在医疗领域的应用，但是范围很广，并且其在NDS上的应用不太频繁且不够详细。本综述着重于GNN在ND诊断中的研究进度。首先，我们系统地研究了ND的GNN框架，包括图形构造，图形卷积，图形合并和图形预测。其次，我们使用GNN诊断模型研究了数据模式，受试者的数量和诊断准确性。第三，我们讨论了一些研究挑战和未来的研究方向。这篇综述的结果可能是对人工智能技术和大脑成像的持续交集的宝贵贡献。
机器学习如何革新建筑舒适
全球通风控制系统构成建筑行业最重要的能源需求之一。优化此类系统的能源使用对于建造可持续建筑至关重要，对于实现环境可持续性至关重要。这些建筑物的占用因素，尤其是加热，通风和空调（HVAC）优化，对于能量优化至关重要。在这项工作中，我们采用机器学习方法来提高Prairie View A＆M University在Prairie View A＆M University的工程课堂和研究大楼（ENCARB）的HVAC系统的效率。我们专注于通过基于占用模式对HVAC温度进行准确估计来支持实时自动化的HVAC控制。因此，我们介绍了Airflo，这是一个具有功率的强大框架，用于学习优化HVAC能源消耗。我们的框架整合了从班级时间表获得的几个占用因素，以估算理想的HVAC温度。具体来说，我们在Encarb建筑物内相对于Energy HVAC服务期提供了用户非特异性行为，以收集有用的矩阵作为模型设计的基础。为了学习数据中的复杂模式，我们使用监督的机器学习培训了我们的框架。具体来说，我们最初使用多层神经网络的集合使用我们的培训数据训练了我们的框架，并观察到独立验证集中的估计性能。要学习更深的表示并执行系统的比较模型分析，我们提出了我们的计划，以合并卷积神经网络（CNN）和图神经网络（GNNS）。总的来说，我们提出的方法将为优化HVAC能源优化提供一个全面，可扩展的框架，从而改善可持续性。
dag：对归因图的深度自适应和无生成的社区检测
对归因图的社区检测，具有丰富的语义和拓扑信息为现实世界网络分析，尤其是在线游戏中的用户匹配提供了巨大的潜力。图形神经网络（GNNS）最近启用了深度图（DGC）方法，从语义和拓扑信息中学习群集分配。但是，它们的成功取决于与社区数量有关的先验知识，由于收购的高成本和隐私问题，这是不现实的。在本文中，我们研究了与事先的社区检测问题，称为𝐾 -free社区检测问题。为了解决这个问题，我们提出了一种新颖的深层自适应模型（DAG），以供社区检测，而无需指定先前的𝐾。DAG由三个关键组件组成，即带有屏蔽属性重新构造的节点表示模块，一个社区关联读数模块以及具有组稀疏性的社区编号搜索模块。这些组件使DAG能够将非差异性网格搜索的过程转换为社区编号，即存在的DGC方法中的离散超级参数，将其转换为可区分的学习过程。以这种方式，DAG可以同时执行社区检测和端到端的社区编号搜索。为了减轻现实世界应用中社区标签的成本，我们设计了一种新的指标，即使标签不可行，也可以评估社区检测方法。在五个公共数据集和一个现实世界的在线手机游戏数据集上进行了广泛的离线实验
演员：基于跨注意的结构的多模式融合...
AI的最新进展彻底改变了材料科学和加速材料发现的财产预测。图形神经网络（GNN）由于能够表示晶体结构作为图形，有效捕获局部相互作用并提供出色的预测，因此脱颖而出。但是，这些方法通常会丢失关键的全局信息，例如晶体系统和重复单位连接。为了解决这个问题，我们提出了Cast，这是一个基于跨注意的多模式融合模型，该模型集成了图形和文本模式以保留基本的材料信息。cast使用交叉注意机制将节点 - 和令牌级的特征结合在一起，超过了依赖于材料级嵌入（如图形平均值或[Cls]令牌）的先前方法。掩盖的节点预测预处理策略进一步增强了原子级信息的整合。与Crysmmnet和MultiMAT等方法相比，我们的四个晶体特性（包括带隙）的性质预测的实现最大提高了22.9％。预处理是对齐节点和文本嵌入的关键，并且注意力图证实了其在捕获节点和令牌之间关系的有效性。这项研究强调了材料科学中多模式学习的潜力，为更强大的预测模型铺平了道路，这些模型纳入了本地和全球信息。
基于自促进聚类的对比学习用于脑网络预训练
磁共振成像（MRI）等神经成像技术的快速发展促进了我们获取大脑结构和功能特征。脑网络分析是从 MRI 探索大脑机制的重要工具之一，它为大脑组织提供有价值的见解，并促进对大脑认知和神经退行性疾病病理的理解。图神经网络（GNN）通常用于脑网络分析，但它们受到医疗数据稀缺的限制。虽然已经开发了图对比学习方法来解决这个问题，但它们通常涉及扭曲大脑解剖结构的图增强。为了应对这些挑战，本文提出了一种无增强的对比学习方法，即基于自促进聚类的对比学习（SPCCL）。具体而言，通过引入基于聚类的对比学习损失和自促进对比对创建方案，所提出的 SPCCL 可以从比疾病患者数据相对容易获取的其他健康受试者数据中进行预训练。所提出的 SPCCL 利用这些额外的数据来保持原始大脑结构的完整性，使其成为一种有效的大脑网络分析的有前途的方法。在开放获取的精神分裂症数据集上进行了全面的实验，证明了所提出方法的有效性。
图形神经网络的量子特征嵌入
量子计算提供了一种有希望的途径，可根据大型语言模型和天气预报，财务预测或工程的模拟模型中的要求减少生长的机器学习模型复杂性。图形神经网络是一种特定类别的机器学习模型，它们能够很好地处理结构化数据。我们研究了如何增强现有的GNN，并通过电感偏差找到量子电路最适合编码节点特征的偏差。所提出的量子特征嵌入（QFE）将原始输入特征转换为量子状态，从而实现非线性和纠缠表示。尤其是，QFE在指数较大的特征空间中提供了归一化的，非冗余的重量矩阵，并且比完全量子图神经网络所需的量子量要少得多。在标准图基准数据集中，我们展示的是，对于相同的参数计数，QFE的性能优于其经典对应物，并且能够匹配指数较大的模型的性能。最后，我们研究了在混凝土用例，激光切割上使用混合量子图神经网络的潜在优势。我们发现所提出的模型具有提高这些业务应用程序的绩效，因此具有近期潜力。
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。