XiaoMi-AI文件搜索系统
World File Search SystemGraph
连接组分类的图对比学习
摘要 — 随着磁共振成像 (MRI) 等用于测量大脑活动的非侵入性技术的最新进展，通过图形信号处理 (GSP) 研究结构和功能性大脑网络已获得显著关注。GSP 是揭示大脑功能和结构之间相互作用的关键工具，能够分析由感兴趣区域之间的连接定义的图形——在此上下文中称为连接组。我们的工作代表了在这个方向上迈出的又一步，通过探索图形表示学习领域的监督对比学习方法。这种方法的主要目标是生成主题级别（即图形级别）的向量表示，将具有相同标签的主题聚集在一起，同时将具有不同标签的主题分开。这些连接组嵌入来自图神经网络编码器-解码器架构，该架构共同考虑了结构和功能连接。通过利用数据增强技术，所提出的框架在使用人类连接组计划数据的性别分类任务中实现了最先进的性能。更广泛地说，我们以连接组为中心的方法论的进步支持了使用 GSP 发现更多大脑功能的良好前景，并可能对理解神经退行性疾病的异质性以实现精准医疗和诊断产生影响。
图神经网络架构的比较
理解神经动力学的空间和时间特征之间的相互作用有助于我们理解人类大脑中的信息处理。图神经网络 (GNN) 为解释复杂大脑网络中观察到的图结构信号提供了一种新的可能性。在我们的研究中，我们比较了不同的时空 GNN 架构，并研究了它们对功能性 MRI (fMRI) 研究中获得的神经活动分布进行建模的能力。我们评估了 GNN 模型在 MRI 研究中各种场景下的性能，并将其与 VAR 模型进行了比较，后者目前常用于定向功能连接分析。我们表明，通过学习解剖基底上的局部功能相互作用，基于 GNN 的方法能够稳健地扩展到大型网络研究，即使在可用数据稀缺的情况下也是如此。通过将解剖连接作为信息传播的物理基础，此类 GNN 还提供了定向连接分析的多模态视角，为研究大脑网络中的时空动态提供了一种新的可能性。
QAOA 图结构对 MaxCut 的影响
量子近似优化算法 (QAOA) 是一种利用量子计算解决组合优化问题的有前途的方法。MaxCut 问题上的 QAOA 已在具有特定结构的图上得到了广泛的研究，然而，对于该算法在任意图上的一般性能知之甚少。在本文中，我们研究了对于所有具有最多八个顶点的连通非同构图，不同图特征与 MaxCut 问题上深度最多为 3 的 QAOA 性能之间的关系。QAOA 成功的一些很好的预测因素与图对称性、奇数环和密度有关。例如，在八个顶点的图上，经过三次 QAOA 迭代后，对于不包含奇数环的图选择最优解的平均概率为 60.6%，而包含奇数环的图为 48.2%。这些研究生成的数据在一个可公开访问的数据库中共享，以作为 QAOA 计算和实验的基准。了解结构和性能之间的关系可用于识别可能表现出量子优势的组合问题类别。
解剖学知情的混合图CNN-TransFormer ...
使用深层神经网络越来越多地研究了大脑连接与非成像表型之间的关系。但是，在卷积网络设计中通常会忽略大脑白奇网络的局部和全球性能。我们介绍了Tractgraphformer，这是一种混合图CNN-Transformer的深度学习框架，该框架是针对扩散MRI拖拉术的。该模型利用白质结构的局部解剖特征和全局特征依赖性。图形CNN模块捕获了白质的几何形状和灰质连接到从解剖上相似的白色物质连接中汇总局部特征，而变压器模块则使用自我注意来增强全球信息学习。此外，TractGraphFormer还包括一个用于解释预测白质连接的注意模块。在性别预测测试中，TractGraphFormer在大的儿童数据集（n = 9345）和年轻人（n = 1065）中表现出强烈的表现。总的来说，我们的方法表明，WM中的广泛连接可以预测一个个体的性别，并且在两个数据集中确定了一致的预测解剖区。提出的方法突出了整合局部解剖信息和全球特征依赖性的潜力，以通过扩散MRI拖拉术在机器学习中提高预测性能。
量子图学习：前沿与展望
量子理论已显示出在增强机器学习方面的优势。然而，利用量子理论来增强图学习还处于起步阶段。本综述从基础理论、方法和前景三个角度研究了量子图学习 (QGL) 的最新进展。我们首先研究 QGL，分别讨论量子理论和图学习的互利关系、图结构数据的特殊性以及图学习的瓶颈。提出了一种新的 QGL 分类法，即图上的量子计算、量子图表示和图神经网络的量子电路。然后强调并解释其中的陷阱。本综述旨在对这一新兴领域进行简短而有见地的介绍，并详细讨论尚待研究的前沿和前景。
图形生成模型和某些应用程序
[1]词法和TW-IDF：Adhoc IR，F.Rousseau，Michalis vazirgiannis的新方法-CIKM '13：https：//doi.org/10.1145/1145/2505515.2505671，最佳核心提及奖，最佳核心核心奖[2]主核心在图形上的核心保留[2]单个图形划分。vazirgiannis。ecir2015 [3]文本分类为图形分类问题，F卢梭，E Kiagias，M Vazirgiannis，ACL，2015 [4]基于Twitter流中的基于Demeneracy的实时子事件检测，P Meladianos等。al。aaai -icwsm 2015 [5]消息传递注意网络以获取文档理解，G。Nikolentzos，A.Tixier，M.Vazirgiannis，AAAI2020，https://doi.org/10.1609/aaaai.v34i.v34i05.6376
6-5。与图形相关的向量空间
图6-5图及其两个子图。总共有2个或32个这样的5个tubles，包括零矢量0 =（0，0，0，0，0，0，0），它代表null图，†和（1，1，1，1，1，1，1），是g本身。
图形光谱和连续的量子步行。
量子信息及其与组合学的相互作用。本书部分是关于这些问题的进度报告。对我们来说，最大的惊喜是代数图理论的工具在多大程度上被证明是有用的。因此，我们对此比严格必要的更详细。其中有些是标准的，有些是旧的stu效应，有些是新材料（例如，可控性，强烈的既定性顶点），已开发用于处理量子步行。，但组合并不是一切：我们还会遇到谎言组，数字理论的各种范围以及几乎是周期性的功能。（因此，第二个惊喜是与我们的主题纠结的不同数学领域的数量。）我们不在这里处理离散的量子步行（请参阅[？]）。我们不处理量子算法或量子计算，也不处理有关复杂性，误差校正，非本地游戏和量子电路模型的问题。我们讨论了一些相关的物理学。我们专注于在数学上有趣且具有一定的意义的问题，因为这种重叠通常是结果富有成果的标志。我们对许多人的这些笔记有有用的评论，包括戴夫·维特·莫里斯（Dave Witte Morris），蒂诺·塔蒙（Tino Tamon），萨莎·朱里什（SashaJurišic）以及他的研讨会成员，亚历克西斯·亨特（Alexis Hunt），戴维·费德（David Feder），亨利·刘（David Feder），亨利·刘（Henry Liu），Harmony Zhan，Nicholas Lai，Xiaohong Zhang Zhang，Sof a arnadottir a arnadottir，qiuting chen chen。。。。
脑振荡的光谱图
功能活性与大脑结构接线之间关系之间关系的数学建模很大程度上是使用具有区域性参数的非线性和生物物理详细的数学模型进行的。这种方法为我们提供了丰富的多稳态动力学曲目，但大脑可以显示，但在计算上是要求的。此外，尽管微观水平上的神经元动力学是非线性和混乱的，但尚不清楚是否需要此类详细的非线性模型来捕获新兴的中介体（区域人口合奏）和宏观（整个大脑）行为，这在很大程度上是确定性的，并且在很大程度上是确定性的和可重复的。的确，基于光谱图理论的最新建模工作表明，没有区域变化参数的分析模型可以捕获经验磁性频率光谱以及Alpha和Beta频段的空间模式。在这项工作中，我们展示了基于基于静止健康受试者的磁脑摄影记录获得的频谱的改进，基于频谱理论的模型。我们根据经典的神经质量模型重新重新制定了光谱图理论模型，因此提供了更具生物解释的参数，尤其是在局部规模上。我们证明，在比较模型频谱的光谱相关性并从磁脑摄影记录中获得的光谱相关性时，该模型的性能优于原始模型。该模型在预测经验α和β频带的空间模式方面也表现出色。
图形光谱和连续量子行走。
量子信息及其与组合学的相互作用。本书在某种程度上是这些问题的进展报告。对我们来说，最大的惊喜是代数图论工具的实用程度。因此，我们对此的处理比严格必要的更详细。其中一些是标准的，一些是旧东西，一些是为处理量子游动而开发的新材料（例如，可控性，强同谱顶点）。但组合学并不是万能的：我们还会遇到李群、各种数论和几乎周期函数。（因此，第二个惊喜是与我们的主题纠缠在一起的不同数学领域的数量。）我们在这里不处理离散量子游动（参见 [ ? ]）。我们不处理量子算法或量子计算，也不处理有关复杂性、误差校正、非局部游戏和量子电路模型的问题。我们讨论了一些相关的物理学。我们重点关注那些在数学上有趣且具有一定物理意义的问题，因为这种重叠往往预示着成果丰硕。许多人对这些笔记提出了有益的评论，包括 Dave Witte Morris、Tino Tamon、Sasha Jurišic 及其研讨会成员 Alexis Hunt、David Feder、Henry Liu、Harmony Zhan、Nicholas Lai、Xiaohong Zhang、Soffia Arnadottir、Qiuting Chen……