XiaoMi-AI文件搜索系统
World File Search System图克
基于图的机器学习方法
本研究文章使用图理论和机器学习技术探讨了Instagram影响者网络。随着社交媒体人物的日益影响，了解其网络结构和动态对于有效的营销和品牌参与至关重要。我们将Instagram的影响者生态系统建模为图形，并应用几种机器学习算法，包括Node2VEC和Word2Vec，以执行诸如链接预测和社区检测之类的任务。我们的分析揭示了影响者互动和网络连接性的重要模式，从而为有影响力的行为和在线社区的形成提供了可行的见解。这些发现为优化营销策略和增强社交媒体环境中的品牌合作提供了宝贵的影响。
LFPT - 蓬图瓦兹科尔梅耶斯昂韦克辛 - dircam
RECAT-EU 规范根据飞机尾流湍流将飞机分为六类，该规范在布尔歇进近管理的空域内有效。在此新分类的基础上，提出了新的 LE BOURGET 方法。根据这一新的分类，在飞机飞行期间，到达和离开时将使用基于距离的最小分离标准。在飞机飞行期间，到达和离开时使用新的基于距离的最小分离标准。飞行计划框的填写和措辞保持不变。在第一次无线电联系中，机组人员指示了飞机尾流湍流类型。
人工智能之机器学习Artificial Intelligence Report of Machine ...
图 2-15 感知机 ............................................................................................................................. 18
使用图神经网络和接触图预测药物-靶标亲和力
计算机的高性能使得它们可以为药物设计中的实验室实验提供帮助。1因此计算机辅助药物设计在过去的几十年里得到了发展，充分利用高性能计算机，可以快速模拟药物设计中的诸多步骤，各种应用也逐渐发展起来。例如，NAMD (NAnoscale Molecular Dynamics)2、GROMACS3和Amber4提供了相对精确的分子动力学模拟手段，可以模拟分子体系在特定条件下的自然运动。分子对接可以探索不同分子之间的结合构象空间，帮助研究人员找到最佳的对接构象。许多专注于分子对接的方法包括DOCK、5AutoDock、6GOLD7等。随着深度学习在各个领域的卓越成就，基于深度学习的药物设计应用和模型不断涌现。Preuer等人。构建了一个前馈神经网络，并提出了一个名为 DeepSynergy 8 的模型来预测抗癌药物的协同作用。DeepTox 9 由一个深度神经网络组成，被提出用于毒性预测，并在 Tox21 挑战数据集中表现良好。10 BSite-pro 11 使用随机森林分类器仅基于序列来预测蛋白质结合位点。Lenselink 等人证明深度神经网络的表现优于生物活性基准集。12 Ciriano 等人总结了最近基于机器翻译的蛋白质化学计量建模
空间耦合LDPC码的分层译码算法
图 5 给出了所提 LSWD 算法和 SWD 算法在不同 迭代次数时的比特错误概率 (Bit Error Ratio, BER) 曲线，其中最大迭代次数分别取为 5 和 10 。 图 6 给出 了两种算法的译码性能与最大迭代次数的关系，其 中信噪比分别为 2.5 dB, 4.0 dB 。综合分析 图 5 和 图 6 的仿真结果，可以看出： (1) 所提算法和现有文献 的 SWD 算法的误码性能曲线都有明显的瀑布区。 (2) 当迭代次数相同时，所提算法的性能优于 SWD 算法。如，当译码迭代为 50 次、译码窗长度为 9 时，为达到 10 –6 BER ，所提算法所需的信噪比值 为 3.9 dB ，而目前常用的 SWD 算法则需要 4.2 dB ， 所提算法约有 0.3 dB 的性能优势。 (3) 在译码性能 基本相同时，与 SWD 算法相比，所提算法可以明 显减少译码迭代次数。例如，当信噪比为 2.5 dB 时，为了获得 10 –3 的 BER ，所提算法和 SWD 算法所 需的迭代次数分别为 7 和 11 ；当信噪比为 4.0 dB 时，为了达到 10 –5 的 BER ，所提算法和 SWD 算法所 需的迭代次数分别为 12 和 20 ，此时所提算法的迭代
基于图嵌入和图挖掘的计算药物-靶标相互作用预测
阿卜杜拉国王科技大学 (KAUST)，计算生物科学研究中心 (CBRC)，沙特阿拉伯图瓦尔 vladimir.bajic@kaust.edu.sa 摘要 识别药物和蛋白质的相互作用是药物发现早期阶段和寻找新药用途的重要步骤。传统的实验识别和验证这些相互作用仍然耗时、昂贵，并且成功率不高。为了改进这种识别过程，开发计算方法以最小错误率预测和排序可能的药物-靶标相互作用 (DTI) 将大有帮助。在这项工作中，我们提出了一种使用图嵌入和图挖掘进行药物-靶标相互作用预测的计算方法 DTiGEM。DTiGEM 模型将新型 DTI 识别为通过整合三个网络构建的异构图中的链接预测问题，即：药物-药物相似性、靶标-靶标相似性和已知 DTI。 DTiGEM 结合了不同的技术，包括图嵌入（例如 node2vec）、图挖掘（例如药物和目标之间的路径得分）和机器学习（例如不同的分类器）。与其他最先进的方法相比，DTiGEM 在四个基准数据集上对 DTI 进行计算预测时，在精确召回曲线下面积 (AUPR) 方面的预测性能有所提高。具体而言，我们证明，基于所有基准数据集的平均 AUPR 得分，DTiGEM 实现了最高平均 AUPR 值 (0.831)，从而相对于比较中表现第二好的方法将预测误差降低了 22.4%。
