XiaoMi-AI文件搜索系统
World File Search System动态图
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。
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。
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。
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。
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
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。
加速半导体行业的研发
图 1. 通过本体和对象之间的关系集中建立的知识图谱。这是一个随时间增长的动态图，定义了本体给定快照的基本事实。这本质上提供了历史背景，对于加速假设检验的整体应用至关重要，不会出现重复和资源分配不均。
开放量子系统理论简介
本稿是 2022 年春季/夏季波兰科学院物理研究所博士学校开设的一学期研究生课程讲义的编辑和完善版本。本课程仅要求学生具备研究生水平的量子力学基础知识。讲义本身基本上是自成体系的，可以用作开放量子系统主题的教科书。本课程的计划基于一种描述开放系统动力学的新方法：展示了如何用多组分准随机过程来表示与系统耦合的环境自由度。使用这种表示，可以构建系统动态图的超准累积量（或超量子量）展开——这种参数化自然有助于开发稳健且实用的扰动理论。因此，即使是经验丰富的研究人员也可能会发现这份手稿很有趣。
以人为本的数字孪生
传统的人行道研究侧重于大规模人行道可步行性的定量分析，无法捕捉环境与个体因素之间的动态相互作用。城市数字孪生秉承“科技向善”的理念，寻求以人工智能为基础的方法来将人类与数字中介技术结合起来，以增强人类的预测能力。我们采用 GraphSAGE-LSTM，这是一个基于众包数据和计算机视觉的地理空间人工智能 (GeoAI) 框架，以预测人类在人行道上的舒适度。将行人及其与周围建成和未建成环境的相互作用概念化为以人为中心的动态图，我们的模型捕捉到由人类行走的连续运动引起的时空变化，从而使 GraphSAGE-LSTM 具有时空显式性。我们的实验表明，与传统的机器学习模型和两个最先进的深度学习框架相比，所提出的模型的准确率高出 20% 以上，从而增强了城市数字孪生的预测能力。该模型的源代码在 GitHub 上公开共享。