XiaoMi-AI文件搜索系统
World File Search SystemHyperGraph
超图乘积码的横向门限制
摘要 — 在容错量子计算机中，量子码有望实现保护量子信息和允许容错门操纵量子信息的相互冲突的目的。我们引入了一种对此类门施加限制的新技术，并将该技术应用于包含在垂直扇区内的一类称为超图乘积码的量子码。这些代码由一对经典线性代码输入构成，并推广了 Kitaev 曲面代码，它是经典重复代码的超图乘积。我们为这些输入代码提供了一个必要条件，在此条件下，得到的超图乘积代码具有限制于 Clifford 群的横向门。我们推测所有 [ n, k, d ] Gallagher 码（d ≥ 3 且 k ≤ n/ 2）都满足此条件。这项工作是对 Bravyi 和 K¨onig 提出的论证的概括，并且我们还推测这是对 Jochym-O'Connor 等人提出的最新不相交概念的细化。
讲座 16：超图乘积代码 1 回顾
首先，了解这些一维代码和细胞复合体会很有用。具体来说，我们将研究这些一维细胞复合体与代码属性的关系。回想一下，一维细胞复合体由一维对象（边）和零维对象（顶点）组成。还有一个边界图，它将一些顶点与一些边的边界标识在一起，如图 2 所示。这看起来很像我们上次看到的 Tanner 图。因此，我们可以将经典代码与这个一维链复合体关联起来。由于在这种情况下 Tanner 图是对称的，我们可以决定是否将变量分配给边并将奇偶校验分配给顶点，反之亦然。
一项有关超图神经网络的调查：深入和逐步指南
高阶相互作用（HOI）在现实世界中的系统和应用中无处不在。对HOI的深度学习的调查已成为数据挖掘和机器学习社区的宝贵议程。由于HOI的网络是数学上的，因此Hypergraph神经网络（HNN）已成为表示超图表学习的强大工具。鉴于新兴趋势，我们介绍了专门针对HNN的首次调查，并提供了深入和逐步指南。广义，本调查概述HNN架构，培训策略和应用程序。首先，我们将现有的HNN分解为四个设计组件：（i）输入功能，（ii）输入结构，（iii）消息传递方案和（iv）培训策略。第二，我们研究了HNNS如何通过其每个组成部分来解决和学习HOI。第三，我们概述了HNN在建议，生物信息学和医学科学，时间序列分析和计算机视觉中的最新应用。最后，我们以讨论局限性和未来方向的讨论来结束。
量子误差校正：讲座4 - 超盖产品代码
箭头逆转，边界运算符被串联操作员取代。串联运算符的矩阵仅仅是相应边界运算符的转置矩阵。正式，二进制向量的三个空间C 2，C 1，C 0应由其双重空间替换，即C 2，C 1，C 0上线性形式的空间。然而，对于有限的维空间f n 2，空间和双重偶性都是同构的，我们可以忽略这个问题。CSS代码的最小距离是两个距离的最小值：d = min（d x，d z）其中d x = minw∈C1 \ c⊥2| W | ，d z = minw∈C2 \ c⊥1| W | 。
HyGNN：通过超图神经网络预测药物间相互作用
摘要 — 药物间相互作用 (DDI) 可能会妨碍药物的功能，在最坏的情况下，它们可能导致药物不良反应 (ADR)。预测所有 DDI 是一个具有挑战性且至关重要的问题。大多数现有的计算模型整合了来自不同来源的以药物为中心的信息，并将它们作为机器学习分类器中的特征来预测 DDI。然而，这些模型失败的可能性很高，尤其是对于所有信息都不可用的新药。本文提出了一种新的超图神经网络 (HyGNN) 模型，该模型仅基于适用于任何药物的简化分子输入线输入系统 (SMILES) 药物串来解决 DDI 预测问题。为了捕捉药物化学结构的相似性，我们从从 SMILES 字符串中提取的药物化学子结构创建了一个超图。然后，我们开发了 HyGNN，它由一个基于注意力机制的新型超图边缘编码器组成，以获得药物作为超边的表示，以及一个解码器来预测药物对之间的相互作用。此外，我们进行了大量实验来评估我们的模型，并将其与几种最先进的方法进行比较。实验结果表明，我们提出的 HyGNN 模型可以有效预测 DDI，并且令人印象深刻地超越基线，最大 F1 得分、ROC-AUC 和 PR-AUC 分别为 94.61%、98.69% 和 98.68%。最后，我们表明我们的模型也适用于新药。索引术语 — 药物-药物相互作用、图神经网络、超图、超图神经网络、超图边缘编码器
多视图对比度学习超图神经网络，用于药物 - 疾病 - 疾病酶协会预测
确定药物，微生物和疾病之间的潜在关联对于探索发病机理和改善精确医学具有重要意义。有很多用于成对关联预测的计算方法，例如药物微生物和微生物 - 疾病酶关联，但很少有方法集中在高阶三质量药物 - 微生物 - 疾病（DMD）关联上。由HyperGraph神经网络（HGNN）的进步驱动，我们希望它们能够完全限制高级相互作用模式，这是由DMD关联和重新确定声音预测性能提出的Hy-Pergraph背后的。但是，由于体外筛查的高成本，已确认的DMD关联不足，该筛选形成了稀疏的DMD超图，因此具有次级通用能力。为了减轻限制，我们提出了一个dmd关联预测，提出了一个名为MCHNN的经验化学习。我们在DMD HyperGraph上设计了一种新颖的多视图对比学习（CL）作为辅助任务，该任务指导HGNN学习更多的判别性代表并增强通用能力。extentiment实验表明，MCHNN在DMD关联预先字典中实现了令人满意的性能，更重要的是，在稀疏的DMD Hypergraph上设计了我们设计的多视图CL的效率。
在多通道超图神经网络上进行课程推荐的分层增强学习
随着大规模开放在线课程的广泛流行，个性化的课程推荐由于吸引用户的学习效率而变得越来越重要。在实现有希望的表演时，目前的作品在用户和其他MOOC实体中所遭受的不同。为了解决这个问题，我们建议使用多个通道H ypergraphs神经网络进行H ierarchical增强学习（称为HHCOR）。具体来说，我们首先构建了一个在线课程超图作为环境，以考虑所有实体，以捕获复杂的关系和历史信息。然后，我们设计了一种多通道的预言机制来汇总在线课程超图中的嵌入，并通过注意力层提取用户。此外，我们采取了两级决策：评级课程的低级效力，而高级级别则将这些考虑因素整合在一起以最终确定该决定。最后，我们在两个现实世界数据集上进行了广泛的实验，定量结果证明了该方法的有效性。
hrwr：基于HyperGraph随机步行的潜在有效药物组合，然后重新启动
与其他方法相比，通过剩下的交叉验证（LOOCV），HRWR算法的接收器操作特性曲线（AUROC）下的面积高于其他算法。对肺癌，乳腺癌和结直肠癌的案例研究表明，HRWR具有预测潜在有效组合的强大能力，这为癌症治疗提供了新的前景。HTTPS://GITHUB.com/wangqi27/hrwr可以免费获得HRWR的代码和数据集。引言该药物组合是一种固定剂量组合，包括一种单一剂型的两个或多个活性药物成分，与单一疗法相比具有多个优势（Collier，2012）（Liu等，2014）：它具有较高的效率或具有较低的个体剂量，它也可以降低药物副效率和毒性。许多研究表明，协同药物组合被广泛用于艾滋病，癌症和其他复杂疾病的治疗（Feliu等，2009）。然而，实验性筛查有效的药物组合是耗时，昂贵，费力且效率低下的。因此，我们远没有探索可能具有潜在的积极临床作用的大量可能组合。数学模型可以产生预测结果，我们可以将其组合与高预测评分视为潜在的有效药物组合。小规模的药物试验可以大大减少对人类和物质资源的投资。
基于空间转录组数据的预处理的超图模型的组织病理学图像的生存分析
摘要。生存分析对于乳腺癌治疗中的临床决策和预后至关重要。最近的多模式方法利用组织病理学图像和大量RNA-Seq来提高生存预测性能，但是这些方法无法在细胞水平上探索空间分离。在这项工作中，我们提出了一个多模式超图神经网络，用于生存分析（MHNN-SURV），该神经网络涉及空间转录组预测的预训练模型。该方法的特征是完全使用组织病理学图像来揭示形态学和遗传信息，从而改善了异质性的解释。具体来说，MHNN-SURV首先将全片成像（WSI）切成斑块图像，然后分别提取图像特征并分别预测空间转录组。sub-sub-因此，基于图像的超图是基于三维最近的邻于关系构建的，而基于基因的超图是基于基因表达相似性而形成的。通过融合双重超图，MHNN-SURV使用COX比例危害模型对乳腺癌进行了深入的生存分析。实验结果表明，在生存分析中，MHNN-SURV优于最先进的多模式模型。