Mar, 2024

基于高维度图分类的分子分类

PDF
TL;DR我们的研究引入了一种创新的基于超维计算的图学习方法，与图神经网络和 Weisfieler-Lehman 图核心相比，在癌细胞识别等应用领域取得了可比拟的结果，并且在训练和推断阶段实现了显著的加速和资源效率的提升。
hyperdimensional computinggraph learningchemoinformaticscancerous cellsspeed enhancements
发现论文，激发创造
  • 一次性图表示学习基于超维计算

    我们提出了一种新颖、简单、快速且高效的用于图像半监督学习的方法，该方法利用超高维度计算将数据样本编码成高维空间，并且通过 Hyper-dimensional Graph Learning 算法可以在图神经网络的节点表示上利用这种超高维度性质来实现信息聚合，从而取得与深度学习方法相媲美的预测性能，而无需进行计算昂贵的训练过程。

    Feb, 2024

  • CiliaGraph：在边缘进行超轻量级和一次性图分类中加强表达的超维计算

    CiliaGraph 是一种增强的表达性和超轻量级的 HDC（Hyper-Dimensional Computing）模型，用于图分类，通过引入一种新的节点编码策略，使用节点距离作为边权进行信息聚合，并将编码后的节点属性和结构信息进行拼接来获得综合的图表示，同时通过探索正交性与维度之间的关系来降低维度，从而提高计算效率，相比于目前最先进的 GNNs，CiliaGraph 能够显著减少内存使用和加速训练速度，而同时保持可比的准确性。

    May, 2024

  • 超维度计算：生物数据的快速、稳健和可解释范式

    生物信息学中的关键词为：算法、深度学习、超维计算、组学数据。本文总结并探索了超维计算在生物信息学中的潜力，强调了其效率、可解释性和处理多模态和结构化数据的能力。超维计算对于组学数据搜索、生物信号分析和健康应用具有巨大的潜力。

    Feb, 2024

  • 内存中的高维度计算

    提出了一种完整的内存中超维计算（HDC）系统，该系统通过语言分类、新闻分类和电肌图信号手势识别三种典型的 HDC 相关学习任务，实验性地使用 760,000 个相变存储器件执行模拟内存中计算，实现了与软件实现相当的准确性。

    Jun, 2019

  • 图分类的参数化高维复数图神经网络

    本研究旨在开发利用超复特征变换的图神经网络，通过推断数据自身的乘法规则来实现一种新的模型，其具有正则化效果，能够显著提升 HC 嵌入的表达能力，相比对应的实数 GNN，达到了 more state-of-the-art 的性能，同时内存占用和参数数量都更少。

    Mar, 2021

  • 分子超图神经网络

    通过引入分子超图和分子超图神经网络（MHNN），本研究针对化学有关任务中传统图模型无法足够表示高阶连接（如多中心键和共轭结构）的问题，提出了一种可以预测有机半导体的光电性质的 MHNN 算法，其中超边表示共轭结构。结果表明，MHNN 在 OPV、OCELOTv1 和 PCQM4Mv2 数据集的大多数任务中优于所有基准模型。值得注意的是，MHNN 在没有任何三维几何信息的情况下，超过了利用原子位置的基准模型。此外，在训练数据有限的情况下，MHNN 表现出更好的性能比预训练 GNNs，彰显其出色的数据效率。本研究为更一般的分子表示和高阶连接相关的属性预测任务提供了新的策略。

    Dec, 2023

  • 使用图形超网络进行分子属性预测和分类

    本文中，研究者探究了基于超网络的替代方法，发现在各种基准测试中具有最先进的成果，尤其在学习基于分子的属性预测和分类方面表现突出，并且解决了超网络的稳定性问题。

    Feb, 2020

  • 从异质性学习：超图的动态学习框架

    本文提出了一种名为 LFH 的超图学习框架，能够通过动态超边构建和注意力嵌入更新利用图的异质性属性进行超图学习，在多个数据集上的实验证明其有效性。

    Jul, 2023

  • 基于超图群体的分类模型

    本文介绍了一种新颖的超图分类算法，通过构建具有任意阶多项交互的超图，并采用超图种群来提高算法的性能和鲁棒性，在两个数据集上评估并证明了其相较于通用的随机森林分类算法具有良好的性能。

    May, 2024

  • 超维变换在分布建模、回归和分类中的应用

    超维计算 (HDC) 是一种具有巨大潜力的计算范例，尤其在机器学习和数据科学领域引起了广泛关注。本文介绍了超维变换的理论基础，并展示了其在机器学习中的应用，包括回归、分类、统计建模等方面。

    Nov, 2023