XiaoMi-AI文件搜索系统
World File Search SystemGraph
theta-gamma相的定向图分析
摘要 - 理解大脑中复杂的神经相互作用对于推进诊断和治疗策略至关重要。帕金森病（PD）是由多巴胺不足引起的神经退行性疾病，会影响大脑大面积的网络水平性能。这项研究介绍了一种新型的脑电图（EEG）数据分析方法，研究了theta-gamma跨频率相位振幅耦合（PAC）的时间动力学（PAC），通过使用有向图网络。该方法是特别开发的，可以将PD患者与健康对照区分开。我们首先测量脑电通道对之间的PAC，以构建一个有向图，该图指示不同大脑区域之间的方向相互作用。然后，通过分析该图的结构特征，例如节点聚类和跨时间的有效路径长度，我们提出了图形特征作为诊断标记，以分类来自健康对照的PD患者。结果表明，PD患者和对照组的有向图有显着差异，路径长度和连通性模式的改变表明神经通信中断。这些发现强调了基于PAC的脑电图数据采用定向图分析的潜力，以发现由PD等神经系统疾病引起的神经机制的变化。
用于异常检测的图形扩散模型
图上的异常检测重点是识别图形结构化数据中不规则的贴合或异常淋巴结，这显着偏离了规范。由于其在垃圾邮件检测，反洗钱和网络安全性等各个领域的广泛适用性，因此该领域的重要性很高。在图表上应用异常检测时，应对标签不平衡和数据不足所带来的challenges是显着的。生成模型（尤其是扩散模型）的最新扩散铺平了一种有希望的方式。在本文中，我们引入了潜在空间中的图扩散模型，该模型旨在减轻图表上异常检测中普遍存在的标签失衡问题。所提出的模型能够多任命生成图形结构和节点特征，并具有有条件的生成能力，仅产生积极的示例，从而减轻标签不平衡问题。我们改进了扩散模型，以应用于同质图和异质图。通过广泛的实验，我们证明了我们提出的方法对传统技术提供了显着改进。
使用循环变压器的图形算法
由于有希望的经验进步，使用神经网络的图算法最近引起了极大的兴趣。这激发了对神经网络如何通过关系数据复制推理步骤的进一步理解。在这项工作中，我们研究了变压器网络从理论角度模拟算法的能力。我们使用的体系结构是一个循环变压器，其额外的注意力头与图形相互作用。我们通过构造证明，该架构可以模拟单个算法，例如Dijkstra的最短路径，广度和深度搜索，以及Kosaraju的强烈连接组件以及同时的多种算法。网络中的参数数不会随输入图大小而增加，这意味着网络可以模拟任何图的上述算法。尽管有有限的精确度，但我们在解决方案中的模拟显示了一个限制。最后，当利用额外的注意力头时，我们显示出具有恒定宽度的图灵完整性结果。
图生成的变分流匹配
我们将流匹配作为变异推理的公式，我们称为变异流匹配（VFM）。基于此公式，我们开发了Catflow，这是一种用于分类数据的流匹配方法。catflow易于实现，计算上有效，并且在图生成任务上取得了强大的结果。VFM中的关键观察是，我们可以根据后概率路径的变异近似来对流的矢量场进行参数化，这是轨迹的可能端点上的分布。我们表明，这种变分的解释既可以接受catflow目标，又将原始流量匹配目标作为特殊情况。我们还将VFM与基于分数的模型相关联，其中动力学是随机的而不是确定性的，并基于重新持续的VFM目标，在模型可能性上得出了绑定。我们在一个抽象的图生成任务和两个分子生成任务上评估catflow。在所有情况下，CATFLOW都超过或匹配当前最新的表现。
使用LLMS评估知识图构建
“知识图”一词自1972年以来就已经存在，但是当前的定义可以追溯到2012年的Google。随后是Airbnb，Amazon，Ebay，Facebook，IBM，LinkedIn，Microsoft和Uber等公司的类似公告，从而导致各种行业采用知识图（KG）。因此，近年来，该领域的学术研究激增，关于KGS的科学出版物越来越多[1]。这些图是利用基于图的数据模型来有效地管理，集成和提取来自大型和多样化数据集的宝贵见解[2]。kgs是结构化知识的存储库，组织成三联的集合，被指定为𝐾𝐺=（ℎ，𝑟，𝑡）⊆×𝑅×𝐸×𝐸×𝐸，其中e代表实体集，r代表关系的集合[1]。在图中，节点表示各个层次，实体或概念。这些节点包括各种类型，包括人，书籍或城市，并与位于，生活或与之合作之类的关系相互联系。kg的本质融合了多种类型的关系，而不是仅限于单一类型。kg的总体结构构成了一个实体网络，其语义类型，属性和互连。因此，构建kg需要有关
DTiGEMS+：使用图嵌入、图挖掘和基于相似性的技术预测药物-靶标相互作用
摘要 在可持续药物开发过程中，药物-靶标相互作用的计算机预测是一个关键阶段，特别是当研究重点是利用现有药物的重新定位时。然而，开发这样的计算方法并非易事，但却非常必要，因为当前预测潜在药物-靶标相互作用的方法存在高假阳性率。在这里，我们介绍了 DTiGEMS +，一种使用图嵌入、图挖掘和基于相似性的技术预测药物-靶标相互作用的计算方法。DTiGEMS + 结合了基于相似性和基于特征的方法，并将新型药物-靶标相互作用的识别建模为异构网络中的链接预测问题。DTiGEMS + 通过使用另外两个互补图（即：药物-药物相似性、靶标-靶标相似性）扩充已知的药物-靶标相互作用图来构建异构网络。DTiGEMS + 结合了不同的计算技术来提供最终的药物靶标预测，这些技术包括图嵌入、图挖掘和机器学习。 DTiGEMS+ 在应用相似性选择程序和相似性融合算法后，将多种药物-药物相似性和靶标-靶标相似性集成到最终的异构图构造中。使用四个基准数据集，我们表明 DTiGEMS+ 与其他用于预测药物-靶标相互作用的最先进的计算机模拟方法相比，显著提高了预测性能，在所有数据集中实现了最高的平均 AUPR（0.92），与最先进方法比较中表现第二好的模型相比，错误率降低了 33.3%。关键词：药物重新定位、药物-靶标相互作用、机器学习、图嵌入、异构网络、基于相似性、相似性集成、生物信息学、化学信息学
