XiaoMi-AI文件搜索系统
World File Search SystemPassing
通过零件式层次结构消息传递
生成的3D部分组装涉及了解零件关系，并预测其6-DOF姿势，用于组装逼真的3D形状。先前的工作通常集中在各个部分的几何形状上，忽略了整个物体的零件。利用两个关键的观察：1）超级部分姿势提供了有关零件姿势的强烈提示，而2）由于较少的超级部分，预测超级零件的姿势更容易，我们提出了一个零件 - 整个层次结构消息传递网络，以实现有效的3D零件组件。我们首先通过在没有任何语义标签的情况下对几何相似部分进行分组，从而引入超级零件。然后，我们采用零件整体的层次编码器，其中超级零件编码器预测基于输入部分的潜在超级零件姿势。随后，我们使用潜在姿势转换点云，将其馈送到零件编码器中，以汇总超级零件信息和有关零件关系的推理以预测所有部分姿势。在培训中，仅需要地面零件姿势。在推断期间，超级零件的预测潜在可增强可解释性。Partnet数据集上的实验结果表明，我们的方法可以部分地达到最新的功能和连接精度，并实现可解释的层次结构组件。代码可在https://github.com/pkudba/3dhpa上找到。
对肿瘤淋巴瘤激酶（ALK）的药理抑制剂（ALK）通过靶向效应诱导免疫原性细胞死亡
分子表示学习（MRL）长期以来在药物发现和材料科学领域至关重要，并且由于自然语言处理（NLP）和图形神经网络（GNN）的发展，它取得了重大进展。nlp将分子视为一维顺序令牌，而GNN则将它们视为二维拓扑图。基于通过不同的消息传递算法，GNN在检测化学环境和预测分子特性方面具有各种性能。在此，我们提出了定向的图形注意力网络（D-GAT）：具有定向键的表达性GNN。我们策略成功的关键是按照指示图处理分子图，并通过缩放的点 - 产物注意机制来更新键状态和原子状态。这使模型可以更好地捕获分子图的子结构，即官能团。与其他GNN或消息传递神经网络（MPNN）相比，D-Gats的表现优于15个重要分子属性预测基准中的13个。
NFL传递路线的定量分析和可视化
本文由Scholarworks@UARK带给您免费的计算机科学和计算机工程访问。已被授权的ScholarWorks@Uark的授权管理员纳入计算机科学和计算机工程本科生的荣誉。有关更多信息，请联系scholar@uark.edu，uarepos@uark.edu。
消息传递基于贝叶斯的贝叶斯对推车系统的控制
摘要。我们描述了一个贝叶斯控制器的贝叶斯控制器，这是控制理论中众所周知的基准。卡车孔系统的特征是其非线性和不足的性质，我们通过（1）假设控制器缺乏传感器噪声方差的知识，并且（2）在控制信号上施加界限。传统的控制算法通常难以适应不确定性和约束。然而，贝叶斯框架，尤其是专用推理框架，可以顺利地适应这些复杂性。在拟议的控制器中，整个计算过程由在线贝叶斯推理组成。通过工具箱简化了此过程，以在因子图中快速传递基于消息传递的推断。我们描述了在因子图中传递消息的机制，解决了诸如非线性因素，有限控制和实时参数跟踪之类的挑战。本文的主要目的是证明，随着主动推理框架的发展和自动推理工具箱的效率，贝叶斯控制成为应用程序工程师的吸引人选择。
通过消息传播的神经网络和强化学习的自动网络事件响应中的结构概括
摘要 - 我们相信，基于机器学习的自动事件响应的代理需要处理网络结构的变化。计算机网络是动态的，随着时间的推移，结构自然可以改变。小型网络的再训练代理会花费时间和精力。我们试图通过现有的关系代理学习方法来解决这个问题，其中假定对象之间的关系在问题实例中保持一致。计算机网络的状态表示为关系图，并通过传递神经网络的消息编码。使用编码的消息传递神经网络和代理策略是使用强化学习优化的。我们评估了网络自主体育馆第二个实例的方法进行实验（CAGE 2），这是一种模拟企业网络攻击的网络事件模拟器。我们创建了原始网络的变体，其中测试了不同数量的主机和代理，而无需对其进行其他培训。我们的结果表明，尽管网络发生了变化，但使用关系信息的代理仍能够找到解决方案，并且在某些情况下可以最佳地执行。使用默认向量状态表示的代理性能更好，但需要在每个网络变体上进行特殊培训，这表明专业化和概括之间的权衡。索引术语 - 循环安全，加强学习，图形学习，关系学习，概括
詹姆斯·诺布莱特博士的通过
吉姆获得了加州大学洛杉矶分校的地质学学士学位，来自Cal State Long Beach的化学硕士学位和博士学位。来自加州大学洛杉矶分校的环境和分析化学，具有水资源工程的未成年人。他在航空航天公司担任材料六年，在南加州沿海水研究项目管理局的高级研究中，在他在学术界的职业生涯开始之前。
重新思考图对比学习中的消息传递
图对比学习（GCL）在图表示学习中表现出了显著的功效。然而，先前的研究忽略了在使用图神经网络（GNN）作为节点级对比学习的编码器时出现的内在冲突。这种冲突属于图神经网络的特征聚合机制与对比学习的嵌入区分特性之间的部分不协调。理论上，为了研究冲突的位置和程度，我们从 InfoNCE 损失的梯度角度分析了消息传递的参与。与其他领域的对比学习不同，GCL 中的冲突是由于在消息传递的方式下，某些样本同时对正向和负向的梯度有贡献，这是相反的优化方向。为了进一步解决冲突问题，我们提出了一个称为 ReGCL 的实用框架，它利用 GCL 梯度的理论发现来有效地改进图对比学习。具体而言，在消息传递和损失函数方面设计了两种基于梯度的策略来缓解冲突。首先，提出了一种梯度引导结构学习方法，以获得适应对比学习原理的结构。其次，设计了一种梯度加权的 InfoNCE 损失函数来降低高概率假阴性样本的影响，特别是从图编码器的角度来看。大量实验证明了所提出的方法与各种节点分类基准中最先进的基线相比具有优越性。
统一交通消息传递中的空间和时间......
摘要 —本文旨在在非欧几里得空间中统一空间依赖性和时间依赖性，同时捕捉交通数据的内部时空依赖性。对于具有拓扑结构的时空属性实体，时空是连续且统一的，而每个节点的当前状态受其邻居在不同时间段内的过去状态的影响。大多数用于交通预测的时空神经网络在处理过程中分别研究空间依赖性和时间相关性，严重损害了时空完整性，并且忽略了节点邻居的时间依赖周期可能延迟且动态的事实。为了模拟这种实际情况，我们提出了一种新颖的时空图神经网络 TraverseNet，将空间和时间视为一个不可分割的整体，以挖掘时空图，同时通过消息遍历机制利用每个节点不断发展的时空依赖性。消融实验和参数研究验证了所提出的 TraverseNet 的有效性，详细实现可从 https://github.com/nnzhan/TraverseNet 找到。
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