XiaoMi-AI文件搜索系统
World File Search System动态图
动态图生成模型的质量度量
深层生成模型最近在建模图数据（包括动态图）方面取得了重大成功，其中拓扑和特征会随着时间的流逝而发展。但是，与视觉和自然语言领域不同，由于难以可视化其输出的难度，因此对动态图进行评估的动态图很具有挑战性。在这项工作中，我们开发了一个新的质量指标，用于评估动态图的生成模型。当前的动态图指标通常涉及将图形的连续进化转化为静态快照，然后应用常规的图形相似度度量。此方法有几个局限性：（a）将时间相关的事件模拟为I.I.D。样品，未能捕获动态图的不均匀演化； （b）缺乏对特征和拓扑敏感的统一措施； （c）它无法提供标量指标，需要没有明显优势的多个指标； （d）它需要明确实例化每个静态快照，从而导致不切实际的运行时间要求妨碍评估。我们提出了一个基于约翰逊 - 林斯特劳斯引理的新型度量，将随机投影直接应用于动态图数据。这导致了动态图相似性的表达性，标量和应用不可能的度量，从而克服了传统方法的局限性。我们还为连续时间动态图提供了全面的经验评估，这证明了与现有方法相比，我们的方法的有效性。我们的实施可从https://github.com/ryienh/jl-metric获得。
gady：动态图上的无监督异常检测
摘要 - 在动态图上检测到的动态检测旨在与图表中观察到的标准模式及其时间信息相比，识别表现出异常行为的实体。由于其在财务，网络安全和社交网络等各个领域的应用，它引起了越来越多的关注。但是，现有方法面临两个重大挑战：（1）动态结构捕获挑战：如何有效地使用复杂的时间信息捕获图形结构，以及（2）负面采样挑战：如何为无人看管的学习构建高质量的负样本。为了应对这些挑战，我们提出了对动态图（Gady）的生成异常检测。gady是一个连续的动态图模型，可以捕获细粒的时间信息以应对动态结构捕获挑战，从而克服了现有离散方法的局限性。指定，我们建议使用优先级的时间聚集和状态特征来增强动态图编码器以进行异常检测。在第二个挑战中，我们引入了生成对抗网络的新颖使用来产生负面子图。此外，在发电机训练目标中引入了辅助损失功能，以确保同时生成的样品的多样性和质量。广泛的实验表明，我们提出的Gady在三个现实世界数据集上的表现明显优于现状方法。补充实验进一步验证了我们的模型设计的有效性和每个组件的必要性。
通过自监督学习捕捉时间节点演化：动态图学习的新视角
由于动态图会随着时间的推移而演变，因此在社会关系分析、推荐系统和医学等许多领域发挥着重要作用。捕捉动态图的演变模式是至关重要的。现有的研究大多集中于限制邻居快照之间的时间平滑度，而未能捕捉到有利于图动态嵌入的急剧变化。为了解决这个问题，我们假设动态图节点的演化可以分为时间移位嵌入和时间一致性嵌入。因此，我们提出了自监督时间感知动态图表示学习框架（STDGL），通过精心设计的辅助任务从节点局部和全局连接建模的角度以自监督的方式将时间移位嵌入与时间一致性嵌入分离，进一步增强可解释图表示的学习并提高各种下游任务的性能。在链接预测、边缘分类和节点分类任务上进行的大量实验表明，STDGL 成功学习了解开的时间偏移和一致性表示。此外，结果表明，我们的 STDGL 比最先进的方法有显著的改进，并且由于解开的节点表示而具有吸引人的可解释性和可迁移性。
实习：动态图形 地点：荷兰海牙
实习：动态图形 地点：荷兰海牙 持续时间：10 个月 加入北约通信和信息局，沉浸在国际组织的多元化环境中，您的知识和新视角将真正得到重视。您将有机会与来自北约 30 个成员国的同事合作，开展开创性项目。我们是北约的技术和网络领导者，帮助北约国家以更智能的方式进行沟通和合作。我们处于抵御网络攻击的最前线，正处于利用技术更好地履行其使命的根本性转变之中：我们正在领导北约的数字化事业。通过我们的实习计划，我们旨在为北约带来新的创新理念。您将亲眼目睹国际科技组织的内部运作，同时为您的简历增添宝贵的技能和经验。 关于计划 实习期为 3 至 10 个月，可以在一年中的任何时候开始。在我们安全团队的支持下，您必须在上任前获得安全许可，因此我们可以灵活安排您的入职日期。在此计划期间，您将加入并支持不同的团队，同时您将通过在职培训和见习向我们的业务专家学习。 资格标准 作为 NCIA 的实习生，您需要能够与同事建立良好的关系和人脉，能够轻松地在整个机构内建立良好的关系并与各级人员合作。通过建立有效的联系网络，您将通过为将要开展的项目和活动提出新的想法、方法或见解来创造和创新。我们希望我们的实习生能够关注您的利益相关者的需求，并以系统、有条不紊和有序的方式工作以实现您的项目或活动目标，从而取得成果。您需要是北约成员国的国民，目前正在攻读大学学位或最近毕业，在过去 12 个月内，并且具有良好的英语书面和口头沟通能力。为了评估您是否有资格参加实习计划，请附上以下文件：
实习：动态图形 地点：荷兰海牙
实习：会议服务 地点：荷兰海牙 持续时间：10 个月 加入北约通信和信息局，沉浸在国际组织的多元化环境中，您的知识和新视角将得到真正的重视。您将有机会与来自北约 30 个成员国的同事合作，并合作开展开创性的项目。我们是北约的技术和网络领导者，帮助北约国家以更智能的方式进行沟通和合作。我们站在抵御网络攻击的最前线，正处于利用技术更好地履行使命的根本性转变之中：我们正在领导北约的数字化事业。通过我们的实习计划，我们旨在为北约带来新的创新理念。您将亲眼目睹国际科技组织的内部运作，同时为您的简历增添宝贵的技能和经验。关于该计划 实习期为 3 至 10 个月，可在一年中的任何时候开始。在我们安全团队的支持下，您必须在接受我们的职位之前获得安全许可，因此我们可以灵活安排您的潜在开始日期。在此计划期间，您将加入并支持不同的团队，同时您将通过在职培训和跟踪向我们的业务专家学习。资格标准 作为 NCIA 的实习生，您需要能够轻松地在整个机构内建立良好的关系并与各级人员合作，从而与同事建立良好的关系和人际网络。通过建立有效的联系网络，您将通过为将要开展的项目和活动提出新的想法、方法或见解来创造和创新。我们希望我们的实习生能够通过关注您的利益相关者的需求并以系统、有条不紊和有序的方式工作来实现您的项目或活动目标。您需要是北约成员国的国民，目前正在攻读大学学位或在过去 12 个月内刚刚毕业，并且具有良好的英语书面和口头沟通能力。为了评估您是否有资格参加实习计划，请附上以下文件：
用于多中心 ASD 分类的可逆动态图卷积网络
自闭症谱系障碍 (ASD) 是一种常见的发育障碍，其症状和严重程度差异很大，使得自闭症的诊断成为一项具有挑战性的任务。现有的使用大脑连接特征对自闭症进行分类的深度学习模型由于特征表示能力有限和可解释性不足，在多中心数据上仍然表现不佳。鉴于图卷积网络 (GCN) 在学习大脑连接网络的判别性表示方面表现出色，本文提出了一个可逆动态 GCN 模型来识别自闭症并研究与该疾病相关的连接模式的改变。为了从模型中选择可解释的特征，在整个网络中引入了可逆块，我们能够从网络的输出中重建输入的动态特征。采用连接特征的预筛选来减少输入信息的冗余，并添加全连接层进行分类。对 867 名受试者的实验结果表明，我们提出的方法实现了卓越的疾病分类性能。它为大脑连接分析提供了可解释的深度学习模型，在研究大脑相关疾病方面具有巨大潜力。
利用时空注意力机制学习大脑连接组的动态图形表征
大脑各区域之间的功能连接 (FC) 可以通过用功能神经成像模式测量的时间相关程度来评估。基于这些连接构建网络的事实，基于图的大脑连接组分析方法为人类大脑的功能提供了见解。能够从图结构化数据中学习表示的图神经网络 (GNN) 的发展，导致人们对学习大脑连接组的图形表示的兴趣日益浓厚。尽管最近将 GNN 应用于 FC 网络的尝试已显示出有希望的结果，但仍存在一个常见的限制，即它们通常不包含随时间波动的 FC 网络的动态特性。此外，一些尝试使用动态 FC 作为 GNN 输入的研究报告称，与静态 FC 方法相比，性能有所下降，并且不能提供时间上的可解释性。在这里，我们提出了 STAGIN，一种使用时空注意来学习大脑连接组的动态图形表示的方法。具体来说，将脑图的时间序列输入到 STAGIN 以获得动态图表示，而新颖的 READOUT 函数和 Transformer 编码器分别提供具有注意力的空间和时间可解释性。在 HCP-Rest 和 HCP-Task 数据集上的实验证明了我们提出的方法的卓越性能。时空注意力的分析还提供了与神经科学知识的并发解释，这进一步验证了我们的方法。代码可在 https://github.com/egyptdj/stagin 获得
用于高光谱图像分类的多尺度动态图卷积网络
摘要 —卷积神经网络（CNN）在高光谱图像表示方面表现出色，并在高光谱图像分类中取得了良好的效果。然而，传统的 CNN 模型只能对具有固定大小和权重的规则方形图像区域进行卷积，因此，它们不能普遍适应具有各种对象分布和几何外观的不同局部区域。因此，它们的分类性能还有待提高，特别是在类边界方面。为了弥补这一缺点，我们考虑采用最近提出的图卷积网络（GCN）进行高光谱图像分类，因为它可以对任意结构的非欧几里得数据进行卷积，适用于由图拓扑信息表示的不规则图像区域。与常用的在固定图上工作的 GCN 模型不同，我们使图能够动态更新
使用动态图的模型预测方法
* 本研究的部分支持来自空军科学研究办公室 (AFOSR)，合同 FA9550-06-C-0119 和协作生物技术研究所通过美国陆军研究办公室的拨款 W911NF-09-D-0001。