XiaoMi-AI文件搜索系统
World File Search System超图
在多通道超图神经网络上进行课程推荐的分层增强学习
随着大规模开放在线课程的广泛流行，个性化的课程推荐由于吸引用户的学习效率而变得越来越重要。在实现有希望的表演时，目前的作品在用户和其他MOOC实体中所遭受的不同。为了解决这个问题，我们建议使用多个通道H ypergraphs神经网络进行H ierarchical增强学习（称为HHCOR）。具体来说，我们首先构建了一个在线课程超图作为环境，以考虑所有实体，以捕获复杂的关系和历史信息。然后，我们设计了一种多通道的预言机制来汇总在线课程超图中的嵌入，并通过注意力层提取用户。此外，我们采取了两级决策：评级课程的低级效力，而高级级别则将这些考虑因素整合在一起以最终确定该决定。最后，我们在两个现实世界数据集上进行了广泛的实验，定量结果证明了该方法的有效性。
使用疾病特异性超图生成新的药物再利用假设
一种新化合物的药物开发流程可能持续 10-20 年，耗资超过 100 亿美元。药物再利用提供了一种更省时省钱的替代方案。基于网络图表示的计算方法（由疾病节点及其相互作用的混合组成）最近产生了新的药物再利用假设，包括适用于 COVID-19 的候选药物。然而，这些相互作用组在设计上仍然是聚合的，并且通常缺乏疾病特异性。这种信息稀释可能会影响药物节点嵌入与特定疾病的相关性、由此产生的药物-疾病和药物-药物相似性得分，从而影响我们识别新靶点或药物协同作用的能力。为了解决这个问题，我们建议构建和学习疾病特异性超图，其中超边编码各种长度的生物途径。我们使用改进的 node2vec 算法来生成通路嵌入。我们评估了我们的超图为一种无法治愈但普遍存在的疾病——阿尔茨海默病 (AD) 寻找再利用靶标的能力，并将我们的排序建议与来自最先进的知识图谱——多尺度相互作用组的建议进行比较。使用我们的方法，我们成功地确定了 7 个有希望的 AD 再利用候选药物，这些候选药物被多尺度相互作用组评为不太可能的再利用靶标，但现有文献提供了支持证据。此外，我们的药物再定位建议附有解释，引出了合理的生物学途径。未来，我们计划将我们提出的方法扩展到 800 多种疾病，将单一疾病超图组合成多疾病超图，以解释具有风险因素的亚群或编码特定患者的合并症，以制定个性化的再利用建议。
使用 HyperGraphs 的 FDG-PET 图像增强抑郁症诊断
摘要 — 本研究探讨了图神经网络 (GNN) 和超图在使用氟脱氧葡萄糖正电子发射断层扫描 (FDG-PET) 图像改善抑郁症诊断的潜力。我们使用核密度估计和动态时间规整从单个静态 FDG-PET 图像构建图形和超图表示。在本地精神病数据集上使用各种 GNN 分类器（包括图卷积网络 (GCN) 和图同构网络 (GIN)）评估这些表示。我们的实验表明，与成对图相比，GNN（尤其是 GCN）在超图上的性能更优越。我们强调了基于超图的表示在捕捉与抑郁症相关的复杂模式方面的整体功效。此外，我们对超图表示的探索为提高诊断准确性提供了有希望的途径，特别是在捕捉复杂的大脑连接模式方面。这项研究为 GNN 有助于使用 FDG-PET 图像更好地诊断精神疾病提供了证据，为个性化治疗策略和跨不同临床环境的诊断进步提供了见解。索引词 — 抑郁症、FDG-PET、KDE、DTW、图、超图、图神经网络、GIN、GCN。
量子实验和超图：量子干涉、量子计算和量子纠缠的多光子源
我们引入了超图的概念来描述具有概率多光子源的量子光学实验。每个超边代表一个相关光子源，每个顶点代表一条光输出路径。这种通用的图形描述为产生复杂的高维多光子量子纠缠态提供了新的见解，超越了通过自发参数下转换对创建所施加的限制。此外，可以通过实验研究超图的性质。例如，确定超图是否具有完美匹配的 NP 完全问题可以通过在量子实验中通过实验检测多光子事件来回答。通过在超图中引入复数权重，我们以图形方式展示了一般的多粒子量子干涉和操纵纠缠。我们的工作为多光子高维状态生成的发展铺平了道路，并可能激发使用超图映射的量子计算的新应用。
量子语境
量子上下文集已被公认为通用量子计算、量子控制和量子通信的资源。因此，我们专注于设计支持这些资源的集合并确定它们的结构和属性。这种设计及其后续实施依赖于量子态测量数据统计数据与其经典对应数据的统计数据之间的区分。所考虑的鉴别器是为超图定义的不等式，超图的结构和生成由其基本属性决定。生成本质上是随机的，但可获得数据的量子概率是预定的。为超图定义了两种数据统计数据和六种不等式。一种经常在文献中应用的统计数据被证明是不合适的，两种不等式被证明不是非上下文不等式。结果是利用通用自动算法获得的，该算法可以在任意奇数维和偶数维空间中生成具有奇数和偶数个超边的超图——在本文中，从只有三个超边和三个顶点的最小上下文集到最多 8 维空间中的任意多个上下文集。虽然可行，但更高的维度在计算上要求较高。
基于空间转录组数据的预处理的超图模型的组织病理学图像的生存分析
摘要。生存分析对于乳腺癌治疗中的临床决策和预后至关重要。最近的多模式方法利用组织病理学图像和大量RNA-Seq来提高生存预测性能，但是这些方法无法在细胞水平上探索空间分离。在这项工作中，我们提出了一个多模式超图神经网络，用于生存分析（MHNN-SURV），该神经网络涉及空间转录组预测的预训练模型。该方法的特征是完全使用组织病理学图像来揭示形态学和遗传信息，从而改善了异质性的解释。具体来说，MHNN-SURV首先将全片成像（WSI）切成斑块图像，然后分别提取图像特征并分别预测空间转录组。sub-sub-因此，基于图像的超图是基于三维最近的邻于关系构建的，而基于基因的超图是基于基因表达相似性而形成的。通过融合双重超图，MHNN-SURV使用COX比例危害模型对乳腺癌进行了深入的生存分析。实验结果表明，在生存分析中，MHNN-SURV优于最先进的多模式模型。
多视图对比度学习超图神经网络，用于药物 - 疾病 - 疾病酶协会预测
确定药物，微生物和疾病之间的潜在关联对于探索发病机理和改善精确医学具有重要意义。有很多用于成对关联预测的计算方法，例如药物微生物和微生物 - 疾病酶关联，但很少有方法集中在高阶三质量药物 - 微生物 - 疾病（DMD）关联上。由HyperGraph神经网络（HGNN）的进步驱动，我们希望它们能够完全限制高级相互作用模式，这是由DMD关联和重新确定声音预测性能提出的Hy-Pergraph背后的。但是，由于体外筛查的高成本，已确认的DMD关联不足，该筛选形成了稀疏的DMD超图，因此具有次级通用能力。为了减轻限制，我们提出了一个dmd关联预测，提出了一个名为MCHNN的经验化学习。我们在DMD HyperGraph上设计了一种新颖的多视图对比学习（CL）作为辅助任务，该任务指导HGNN学习更多的判别性代表并增强通用能力。extentiment实验表明，MCHNN在DMD关联预先字典中实现了令人满意的性能，更重要的是，在稀疏的DMD Hypergraph上设计了我们设计的多视图CL的效率。
Hyppo：使用等价来优化探索机器学习中的管道
摘要 - 我们现在是Hyppo，这是一种新型系统，可优化探索机器学习中遇到的管道。Hyppo利用过去执行的工件的替代计算路径，以得出更好的执行计划，同时重复生产工件。添加替代计算引入了有关工作负载表示，系统体系结构和最佳执行计划生成的探索机器学习的新挑战。为此，我们提出了一种基于定向超图的新型工作负载代表，我们制定了将最佳执行计划作为搜索问题而不是定向的超图和选择文物以作为优化问题实现的问题的问题。彻底的实验评估表明，Hyppo的计划通常比非优化管道更快，更便宜的计划（最多两个阶数），并且比在实质性货物时，比艺术状况产生的计划更快且更便宜。最后，我们的评估表明，即使无法利用物质化，Hyppo也将成本降低3-4 ˆ。
hgcpep：一种基于超图的深度学习模型，用于增强癌症相关的NCPEP识别中肽特征的表示
预印本（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此版本的版权持有人于2025年2月17日发布。 https://doi.org/10.1101/2025.02.13.637760 doi：Biorxiv Preprint