XiaoMi-AI文件搜索系统
World File Search System邻接矩阵
Higen：分层图生成网络
图1：（a）显示了具有2个级别的样本分层图。社区以不同的颜色和节点的重量和较高级别的边缘的重量显示，分别表示相应社区和两部分的边缘之和。节点大小和边缘宽度表示其权重。（b）矩阵显示了图G 2矩阵的相应邻接，其中其每个子图形对应于邻接矩阵中的一个块，社区以不同的颜色显示，两分属均以灰色为颜色。（c）多项式分布的分解是一个递归粘性过程，在每次迭代中，首先将剩余权重的一小部分分配给M -The行（子图中的m -th节点），然后该分数V M分布在小三角形邻接邻接邻接次邻接次含量中。（d）平行的社区。（e）两分的平行预测。阴影线是代表每个步骤中候选边缘的增强边缘。
有向图和无向图的广义谱聚类
谱聚类是聚类无向图的一种常用方法，但将其扩展到有向图（有向图）则更具挑战性。一种典型的解决方法是简单地对称化有向图的邻接矩阵，但这可能会导致丢弃边方向性所携带的有价值信息。在本文中，我们提出了一个广义的谱聚类框架，可以处理有向图和无向图。我们的方法基于一个新泛函的谱松弛，我们将其引入为图函数的广义狄利克雷能量，关于图边上的任意正则化测度。我们还提出了一种由图上自然随机游走的迭代幂构建的正则化测度的实用参数化。我们提出了理论论据来解释我们的框架在非平衡类别的挑战性设置中的效率。使用从真实数据集构建的有向 K-NN 图进行的实验表明，我们的图分区方法在所有情况下均表现良好，并且在大多数情况下优于现有方法。
基于图神经网络的社交物联网聚类
摘要 — 在本文中，我们提出了一种机器学习过程，用于将大规模社交物联网 (SIoT) 设备聚类为几组具有强关系的相关设备。为此，我们根据物联网设备的历史数据集及其社交关系生成无向加权图。使用这些图的邻接矩阵和物联网设备的特征，我们使用图神经网络 (GNN) 嵌入图的节点，以获得物联网设备的数值向量表示。向量表示不仅反映了设备的特性，还反映了它与同类设备的关系。然后将获得的节点嵌入输入到传统的无监督学习算法中，以相应地确定聚类。我们使用两种众所周知的聚类算法展示获得的物联网组，特别是 K 均值和基于密度的聚类发现算法 (DBSCAN)。最后，我们将所提出的基于 GNN 的聚类方法在覆盖率和模块性方面的性能与仅应用于从不同关系创建的图的确定性 Louvain 社区检测算法的性能进行比较。结果表明，该框架在聚类大型物联网系统方面取得了有希望的初步成果。索引术语 — 物联网 (IoT)、聚类、深度学习、图神经网络。
脑表型关联的多尺度网络回归
图 2 MSNR 模型训练和评估示意图。 (a) MSNR 旨在通过考虑边缘和社区级别的信息来研究大脑连接-表型关系。该模型采用 n × p × p 矩阵，其中 n 是受试者的数量，p 是每个对称邻接矩阵中的节点数。节点属于 K 个社区，是先验确定的。 (b) 从总样本 (n = 1,015) 中随机选择 20% (n = 202) 作为剩余验证数据。我们进行了五倍交叉验证来选择调整参数 λ 1 和 λ 2 的值。这两个参数分别表示平均连接矩阵 (Θ) 和社区级连接-协变量关系矩阵 (Γ 1,...,Γ q) 的 l 1 范数的核范数惩罚。整个过程重复了五次。 （c）然后使用（b）中确定的调整参数对其余 80% 的总数据集（n = 813）进行模型训练。然后计算样本外预测误差，作为验证集上已知和估计连接矩阵之间差异的 Frobenius 范数。（d）我们还通过置换程序评估了最终模型，其中我们破坏了大脑连接和协变量数据之间的联系，以生成样本外预测误差的零分布
基于EEG的高性能抑郁状态识别 5-HT6受体配体的效果与... 结合 3D微/纳米水凝胶结构由二... 制造 基于氧化石墨烯的2D/3D复合材料，用于增强环氧涂层的抗腐蚀特性 文章通过高纤维曲线加密增强了车辆互联网中的隐私 算法翻译校正机制
抑郁症是一种对人有害的全球疾病。基于各种规模的传统识别方法不够客观和准确。脑电图（EEG）包含丰富的生理信息，这使其成为识别抑郁状态的新研究方向。但是，大多数基于EEG的算法仅提取原始的EEG特征，而忽略复杂的时空信息相互作用，这将降低性能。因此，迫切需要一种更准确和客观的抑郁识别方法。在这项工作中，我们提出了一种新型的抑郁识别模型：W-GCN-GRU。在我们提出的方法中，我们根据Spearman的等级相关系数审查了六个敏感特征，并通过AUC分配了不同的权重系数，以通过AUC进行敏感特征的加权融合。特别是，我们将基于加权敏感特征作为抑郁识别模型的GCN和GRU级联网络使用。对于GCN，我们创造性地基于相关系数矩阵将脑功能网络作为邻接矩阵输入和加权融合敏感的特征用作节点特征矩阵输入。我们所提出的模型在我们的自我收集的数据集和MODMA数据集上表现良好，精度为94.72％，表现优于其他方法。我们的发现表明，特征维度降低，加权融合和脑电图空间信息都对抑郁识别产生了很大影响。
归纳时空的临时性克里格，具有物理学引导的增量训练策略
摘要 - 用于空气质量的传感器的部署受到高成本的限制，导致网络覆盖不足和某些领域的数据缺陷。利用现有的观察结果，时空kriging是一种在特定时期估算未观察到位置空气质量的方法。具有增量训练策略的归纳时空kriging已证明了其使用虚拟节点模拟未观察到的节点的有效性。但是，虚拟节点和真实节点之间的差异仍然存在，这使从虚拟节点到实际未观察到的学习模式的应用变得复杂。To address these limitations, this paper presents a Physics- Guided Increment Training Strategy (PGITS).具体来说，我们设计了一个动态图生成模块，以将空气颗粒作为物理知识的对流和扩散过程纳入图形结构，并动态调整邻接矩阵以反映节点之间的物理相互作用。通过将物理原理用作虚拟节点和真实节点之间的桥梁，该策略可确保虚拟节点及其伪标签的特征更接近实际节点。Consequently, the learned patterns of virtual nodes can be applied to actual unobserved nodes for effective kriging.Index Terms —Air quality inference, sensors, inductive spatio- temporal kriging, physics principles, increment training strategy
带有解剖学先验的引导变压器
摘要。肌肉体积是运动中有用的定量生物标志物，也是对退行性肌肉疾病的随访。除了体积外，还可以通过从医学图像中分割感兴趣的肌肉来提取其他形状的生物标志物。手动细分仍然是当今此类测量的黄金标准，尽管非常耗时。我们提出了一种在3D磁共振图像上自动分割18个下肢肌肉的方法，以进行这种形态计量分析。从本质上讲，当MR图像中观察到不同肌肉的组织是无法区分的。因此，肌肉分割算法不能依靠外观，而只能依靠参观提示。然而，这种轮廓很难检测到，它们的厚度在受试者之间也有所不同。为了应对上述挑战，我们提出了一种基于混合体系结构的分割方法，结合了汇总和视觉变压器块。我们首次在肌肉分割的背景下首次研究这种混合体系结构的行为以进行形状分析。考虑到一致的解剖肌肉构型，我们依靠变压器块来捕获肌肉之间的长距离关系。为了进一步利用解剖学先验，这项工作的第二个贡献包括基于根据训练数据估算出的合理肌肉邻居的邻接矩阵增加了规则损失。我们对
基于脑电图识别与情况相关的驾驶员状态...
王丽波 新加坡南洋理工大学电气与电子工程学院 ELPWang@ntu.edu.sg 摘要——从代表不同情境意识 (SA) 状态的脑电图 (EEG) 中提取受试者内和受试者间参数是客观情境意识识别的关键挑战。现有的大部分工作都集中在应用功率谱密度 (PSD) 特征的受试者相关分类上。在本文中，我们提出了一种用于跨受试者疲劳相关 SA 识别的新型频谱空间 (SS) 模型。SS 模型不仅考虑不同大脑区域的生物拓扑来捕捉不同 EEG 通道之间的局部和全局关系，而且还提取每个 EEG 通道的频谱特征。具体而言，我们首先通过基于 EEG 通道之间的欧几里得距离构建的邻接矩阵对 EEG 通道的拓扑结构进行建模。然后，采用图卷积运算执行邻域聚合以提取空间特征。我们在驾驶员执行任务期间收集的公共数据集上测试我们的模型。探索了模型的受试者独立性能。结果表明：（1）与最先进的脑电信号 SA 识别模型相比，我们的模型具有更优异的性能。具体而言，我们的 SS 模型实现了 70.6% 的准确率，比传统机器学习方法高 2.7%-6.8%，比深度学习方法高 10.3%-11.6%；（2）枕部脑电信号可以更好地反映 SA 的变化。
动态有向图的量子编码
在路由、网络分析、调度和规划等应用领域，有向图被广泛用作形式模型和核心数据结构，用于开发高效的算法解决方案。在这些领域，图通常会随时间而演变：例如，连接链路可能由于临时技术问题而失败，这意味着图的边缘在一段时间内无法遍历，必须遵循替代路径。在经典计算中，图既通过邻接矩阵/列表显式实现，又以有序二元决策图符号化实现。此外，还开发了临时访问程序来处理动态演变的图。量子计算利用干扰和纠缠，为特定问题（例如数据库搜索和整数分解）提供了指数级加速。在量子框架中，一切都必须使用可逆运算符来表示和操作。当必须处理动态演变的有向图的遍历时，这带来了挑战。由于路径收敛，图遍历本质上不是可逆的。对于动态发展的图，路径的创建/销毁也会对可逆性产生影响。在本文中，我们提出了一种新颖的量子计算高级图表示，支持实际网络应用中典型的动态连接。我们的程序可以将任何多重图编码为一个酉矩阵。我们设计了在时间和空间方面最优的编码计算算法，并通过一些示例展示了该建议的有效性。我们描述了如何在恒定时间内对边/节点故障做出反应。此外，我们提出了两种利用这种编码执行量子随机游走的方法：有和没有投影仪。我们实现并测试了我们的编码，获得运行时间的理论界限并由经验结果证实，并提供有关算法在不同密度图上的行为的更多细节。
通过联合...融合多视图功能脑网络
摘要：背景：基于静息态功能磁共振成像（rs-fMRI）的功能性脑网络（FBN）在识别脑部疾病，如自闭症谱系障碍（ASD）方面显示出巨大的潜力。因此，近年来提出了许多FBN估计方法。现有的大多数方法仅从单一视角对大脑感兴趣区域（ROI）之间的功能连接进行建模（例如，通过特定策略估计FBN），无法捕捉大脑中ROI之间的复杂相互作用。方法：为了解决这个问题，我们提出通过联合嵌入融合多视角FBN，这可以充分利用通过不同策略估计的多视角FBN的共同信息。更具体地说，我们首先将用不同方法估计的FBN的邻接矩阵堆叠成一个张量，并使用张量分解来学习每个ROI的联合嵌入（即所有FBN的共同因子）。然后，我们使用 Pearson 相关性计算每个嵌入 ROI 之间的连接，以重建新的 FBN。结果：使用 rs-fMRI 数据在公共 ABIDE 数据集上获得的实验结果表明，我们的方法优于自动 ASD 诊断中的几种最新方法。此外，通过探索对 ASD 识别贡献最大的 FBN“特征”，我们发现了 ASD 诊断的潜在生物标志物。所提出的框架实现了 74.46% 的准确率，通常优于比较的单个 FBN 方法。此外，与其他多网络方法相比，我们的方法实现了最佳性能，即准确率提高了至少 2.72%。结论：我们提出了一种通过联合嵌入的多视图 FBN 融合策略，用于基于 fMRI 的 ASD 识别。从特征向量中心性的角度来看，所提出的融合方法有一个优雅的理论解释。