- 大肠三维形状细化:基于点扩散模型的数字幻影生成
准确建模人体器官在构建计算仿像试验中起着关键作用,但对人体内许多结构进行 CT 扫描生成解剖合理的器官表面重建依然具有挑战性。本研究利用几何深度学习和去噪扩散概率模型的最新进展来改进大肠的分割结果,通过将器官表示为从 3D 分割掩模表面采样 - 探索几何深度学习在降雨即时预测中的应用
基于几何深度学习的时态图卷积网络(GCN)用于降水预报,通过优化训练过程中预测与真实像素值之间的 L1 损失来自动学习模拟栅格单元间的相互作用的邻接矩阵,并通过 GCN 层对空间关系进行优化,并使用不同核长度的一维卷积提取时间信息,最终结果 - 几何深度学习:基于温度的图神经网络分析
我们以几何深度学习模型作为一个热力学系统来研究,将权重视为非量子非相对论粒子。我们采用 [7] 中先前定义的温度概念,并在 GCN 和 GAT 模型的各个层中进行了研究。我们讨论了我们发现的潜在未来应用。
- SHARP 挑战 2023:从点云和 3D 扫描中解决 CAD 历史和参数恢复问题。概述、数据集、评估指标和基准模型
通过提供数据集、基准方法和适当的评估指标,本文描述了 SHARP 2023 跟踪的数据集,并提出了一组基准方法,旨在推动 CAD 逆向工程的研究更接近真实世界的情景。
- 可解释性心肌梗死预测的多目标点云自编码器
基于多目标点云自编码器的心肌梗死预测是一种新颖的几何深度学习方法,通过多类别的三维点云表示心脏解剖和功能,实现有效的多目标学习,捕捉解剖特异性三维形状信息,并在高分辨率解剖点云上直接进行高效的多尺度特征学习。在大型 UK Biobank 数 - TractGeoNet:用于点位叙述医学图像微结构以预测语言评估表现的几何深度学习框架
我们提出了一种基于几何深度学习的框架 TractGeoNet,用于使用扩散磁共振成像(dMRI)束索术和相关点微结构测量进行回归。该方法利用点云表示,直接利用纤维束内所有点的点微结构和位置信息。为改善回归性能,我们提出了一种新的损失函数 P - VariGrad: 无注册数据的几何深度学习的一种新型特征向量架构
我们提出了一种新颖的几何深度学习层,利用变 分 (VariGrad) 计算三维几何数据的特征向量表示。这些特征向量可以用于各种下游学习任务,如分类、注册和形状重建。我们采用独立于给定采样或参数化的变分流形表示的模型,使得我们的模型能够在训 - 基于曲率增强的图卷积网络用于生物分子相互作用预测
本文提出了一种曲率增强的图卷积神经网络,使用 Ollivier-Ricci 曲率为节点邻域的特征聚合赋权,用于生物分子相互作用预测,结果显示该模型表现优异。
- 扭转图神经网络
通过在图神经网络中引入解析挠率,我们提出了 TorGNN 模型,能够更好的刻画图结构,实验表明我们的模型可以在 16 种不同类型的网络链接预测和 3 种类型的网络节点分类任务上取得卓越的性能,并且优于各种最新模型,证明解析挠率是图结构表征的 - 分子几何深度学习
本文提出了一种新颖的、基于分子图像而非化学键的分子表示方法,并称其可以实现相似或更好的分子属性预测结果,表明其拥有超越共价键分子图像的潜力。同时,基于上述发现,本文提出了分子几何深度学习(Mol-GDL)模型,并在 14 个常用基准数据集上 - 基于几何深度学习的结构药物设计系统性调查
本文系统地回顾了几何深度学习在基于结构的药物设计中的最近进展,并包括了结合位点预测、结合姿势生成、分子生成、连接器设计和结合亲和力预测等任务的详细综述和相关进展的挑战以及潜在机会。
- 等变层与不变层:基础和池化在点云分类中的比较
本文研究基于点云的数据集的集合结构数据学习问题,提出了一种基于置换对称性的设计有效的神经网络的蓝图,并针对置换不变网络进行了分析并提出了全局池化的思路。通过在三个基准点云分类数据集上的实验,发现全局池化方法与背骨模型之间的协同作用,可以有助 - Mesh-MLP: 面网格分类和语义分割的全 MLP 体系结构
本文提出了一种名为 Mesh-MLP 的新网络结构,采用多层感知器(MLPs)作为卷积模块的替代,使用层规范化(LN)对层进行归一化,通过热核特征签名(HKS)和二面角作为输入,不包含池化模块,在端到端方式下进行操作,旨在解决网格分类和语义 - 几何表位和抗原结合位点预测
本文研究了在识别和中和有害外来分子中抗体 - 抗原相互作用中的最佳表示,强调几何信息的重要性,并比较了应用于蛋白质内部(I-GEP)和外部(O-GEP)结构的不同几何深度学习方法。我们将三维坐标和谱几何描述符作为输入特征,充分利用几何信息。 - 基于几何深度学习的结论理论方法
本文介绍了一种使用几何深度学习将结绳数据映射到图形并利用图神经网络进行多个结绳不变量的预测的新方法,并证明了该方法具有很高的泛化能力。
- 深度等变超球
提出了一种基于超球体和正则 n - 单纯形的学习 nD 特征使点云分析在正交转换下等变的方法。实验结果验证了该方法的理论贡献,并展示了深度等变超球体的实际应用潜力。
- Lingo3DMol: 基于口袋的三维分子生成语言模型
本文提出了一种基于口袋的三维分子生成方法,利用具有生成 3D 坐标能力的语言模型,并设计了扰动复原预训练任务,介绍了一种新的分子表示方法,并利用 CrossDocked 和 DUD-E 数据集对其进行了评估。该方法在几乎所有指标上实现了最优 - 图神经网络与三维拓扑
本研究测试应用几何深度学习到低维拓扑问题的效果,在一个简单的模型中,使用图神经网络来判断一对图是否给出同构三维多样体,通过监督学习和强化学习来训练和优化神经网络模型的准确率和效率。
- 深度学习和几何深度学习:数学家和物理学家的介绍
本文是介绍深度学习、几何深度学习和图神经网络的简要论文,重点介绍了评分函数和损失函数这些算法的关键成分,以及模型训练的主要步骤。
- 一个转移原理:从欧几里得通用逼近器到度量空间通用逼近器
本文提出了一种使用 Euclidean 空间作为基石建造弥合任意 Polish 度量空间之间连续映射的通用逼近方法,其中涉及到了离散概率、H"older-like (map) 以及深度学习 (transformer network) 等关键