XiaoMi-AI文件搜索系统
World File Search Systemgraph
社论：脑成像的图形学习
前所未有的大规模脑成像数据收集，如 MRI、PET、fMRI、M/EEG、DTI 等，为加深我们对大脑工作机制的理解、提高精神障碍的预后预测能力以及制定个性化的脑部疾病治疗方案提供了独特的机会。机器学习和大规模脑成像数据收集、存储和共享方面的最新进展导致了计算神经科学、信号处理、深度学习、脑成像、认知科学和计算精神病学领域的一系列新颖的跨学科方法，其中图学习为解决脑成像中的重要问题提供了一种有价值的手段。图学习是指设计有效的机器学习和深度学习方法来从图中提取重要信息或利用数据中的图结构来指导知识发现。鉴于不同成像模式的复杂数据结构以及人脑的网络化组织结构，基于从图像数据推断的图形、数据的图形正则化和记录数据的图形嵌入的新型学习方法在模拟多个大脑区域的相互作用、来自不同大脑成像模式的网络之间的信息融合、高维大脑网络的潜在空间建模以及量化拓扑神经生物标志物方面显示出巨大的前景。本研究主题结合了新的计算大脑成像模型和通过大脑网络和图形学习的视角对大脑机制的洞察方面的最新发现。在评估了贡献的新颖性和质量后，我们接受了审稿人推荐的 10 篇手稿。为了更详细地介绍这些作品，
用于脑电图分析的图神经网络
为了开发最终模型，我们首先提出了几种从 EEG 信号构建图形的程序，探索表示通道间连接的不同方式以及相关特征提取的方法。目前，还没有针对阿尔茨海默病或 MCI 检测提出的 GNN 模型。因此，我们使用了类似任务所采用的架构，并针对我们的特定领域对其进行了修改。最后，在同一组指标下评估一组连贯的图形和 GNN 模型组合。此外，对于性能最佳的组合，还研究了几个超参数的影响。为了处理所有可能的实验，我们开发了一个软件框架，可以轻松构建不同类型的图形、创建模型并评估其性能。
通过光谱扩散的图生成
在本文中，我们提出了Grasp，这是一种基于1）图拉普拉斯矩阵的光谱分解位置的新型图生成模型和2）扩散过程。具体来说，我们建议使用剥离模型对特征向量和特征值进行采样，从中我们可以从中重建图形拉普拉斯和邻接矩阵。我们的突变不变模型还可以通过将它们连接到每个节点的特征值来处理节点特征。使用拉普拉斯频谱使我们能够自然捕获图形的结构特征，并直接在节点空间中工作，同时避免限制其他方法的适用性。这是通过截断符号来实现的，正如我们在实验中所显示的那样，这会导致更快但准确的生成过程。在合成和现实世界图上进行的一系列实验表明，我们模型对最新的替代方案的优势。
机器学习的图形信号处理
大规模结构化数据（尤其是与网络和图形等复杂领域相关的数据）的有效表示、处理、分析和可视化是现代机器学习的关键问题之一。图信号处理 (GSP) 是信号处理模型和算法的一个活跃分支，旨在处理图形支持的数据，它为应对这一挑战开辟了新的研究途径。在本文中，我们回顾了 GSP 概念和工具（例如图形过滤器和变换）对新型机器学习算法开发的一些重要贡献。具体来说，我们的讨论集中在以下三个方面：利用数据结构和关系先验、提高数据和计算效率以及增强模型的可解释性。此外，我们为 GSP 技术的未来发展提供了新的视角，这些技术可能成为应用数学和信号处理与机器学习和网络科学之间的桥梁。这些不同学科之间的相互影响可能有助于解决现代复杂数据分析的诸多挑战。
图形光谱和连续量子步行
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。）我们不处理离散的量子步行。我们不处理量子算法或量子计算，也不处理有关综合性，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些物理意义的问题，因为这种重叠通常是结果的迹象。我们对许多人的这些笔记都有了有用的评论，包括戴夫·维特·莫里斯（Dave Witte Morris），蒂诺·塔蒙（Tino Tamon），萨沙·朱里什（SashaJurišic）及其研讨会成员，亚历克西斯·亨特（Alexis Hunt），戴维·费德（David Feder），亨利·刘（Henry Liu），和谐Zhan，尼古拉斯·莱（Nicholas Lai），张张。。。。
基于能量的场景图生成学习
传统的场景图生成方法是使用交叉熵损失来训练的，该损失将对象和关系视为独立实体。然而，在本质上结构化的预测问题中，这种公式忽略了输出空间中的结构。在这项工作中，我们引入了一种用于生成场景图的新型基于能量的学习框架。所提出的公式可以有效地将场景图的结构合并到输出空间中。学习框架中的这种额外约束充当了归纳偏差，使模型能够从少量标签中有效地学习。我们使用所提出的基于能量的框架 1 来训练现有的最先进模型，并在 Visual Genome [ 9 ] 和 GQA [ 5 ] 基准数据集上分别获得了高达 21% 和 27% 的显着性能提升。此外，我们通过在数据稀缺的零样本和小样本设置中展示卓越性能来展示所提出框架的学习效率。
用于分析的图卷积神经网络
近年来，解码脑信号引起了广泛关注并找到了许多应用，例如脑机接口，利用用户的意图与控制外部设备进行通信，这是一个新兴领域，具有改变世界的潜力，具有从康复到人类增强的多种应用。话虽如此，脑信号分析，特别是脑电图脑信号分析，是一项具有挑战性的任务。随着深度学习在仅使用原始数据解决问题方面取得的进步和成就，近年来很少有人尝试应用深度学习来处理脑电图和其他类型的脑信号。在本研究中，我们提出了一种新的损失函数，称为 DeepCSP，将经典的公共空间模式扩展为非线性可微模块，作为损失函数，以端到端的方式在原始信号上强制属于不同类别的脑电信号的线性可分潜在表示，而无需执行大量的特征工程。随着最近深度学习方法对任意结构图的推广以及引入的损失，我们提出了两种轻量级模型来解码 EEG 信号，并进行了实验以展示它们的性能。
维基数据作为生命科学的知识图谱
简介整合数据和知识是生物医学研究中的一项艰巨挑战。尽管新的科学发现正在迅速发现，但很大一部分知识要么被锁定在数据孤岛中（不同的命名法、数据模型和许可条款阻碍了整合；Wilkinson 等人，2016 年），要么被锁定在自由文本中。缺乏集成和结构化的生物医学知识版本会阻碍对这些信息的有效查询或挖掘，从而阻碍我们充分利用积累的科学知识。最近，科学界越来越强调确保所有科学数据的公平性——可查找、可访问、可互操作和可重用——并且越来越多地就一套具体的原则达成共识以确保公平性（Wilkinson 等人，2019 年；Wilkinson 等人，2016 年）。这些原则的广泛实施将极大地
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。