- 构建高效表达的三维等变图神经网络的新视角
本研究提出了用于评估等变图神经网络表现力和表示分子属性任务的本地层次结构编码和框架转换编码模块,并针对未来设计大量发展提出了设计空间。
- 神经群体动态和几何的可解释统计表征
本研究提出了一种基于统计学习的无监督几何深度学习框架,利用局部相空间特征的统计分布来表示非线性动态系统,该方法提供了鲁棒的几何感知或几何无关的表示,可用于测量轨迹的基础上进行无偏的动力学比较,并设计了一种具有最先进准确性的解码算法。
- 距离矩阵是否足以支持几何深度学习?
该研究提出了一种新型的图神经网络 $k$-DisGNNs,用于从距离矩阵中学习图的几何结构,实现了图结构学习和几何深度学习的统一,并证明了其高表达能力与卓越性能。
- 利用图神经网络学习费曼图
使用几何深度学习和图注意力层,本研究在费曼图上实现了准确且快速的基元矩阵预测,证明该方法在量子场论分析中具有潜在应用,可构建代表非微扰计算的有效粒子费曼图,为量子场论的研究提供了突破。
- AAAI三维分子图形的几何完整感知机网络
介绍了一种新的 GCPNet 图神经网络,其具有 SE (3) 置换对称性,用于 3D 分子图形表示学习,在蛋白质 - 配体结合亲和力预测,蛋白质结构排序和牛顿多体系统建模任务中均取得了最先进的效果。
- ICLR可解释的几何深度学习 —— 基于可学习的随机注入技术
本文介绍了可应用于科学分析和实验的一种通用机制 —— 可学习性随机注入(LRI),其基于通用几何深度学习(GDL)骨干结构构建 inherently interpretable 模型,LRI 诱导的模型可以检测到携带预测标签指示信息的点云数 - 时频分析下基于 SPD 流形的图神经网络在运动想象分类中的应用
介绍了一种名为 Graph-CSPNet 的基于图的技术,结合时频分析的基本视角,用于 MI-EEG 分类。与 Tensor-CSPNet 不同,该方法在 MI-EEG 分类方面实现了更好的结果。
- ECCVDoc2Graph: 一种基于图神经网络的任务无关文档理解框架
这篇研究文章介绍了一种基于 GNN 模型的文档理解框架 ——Doc2Graph,可用于处理不同类型文档的不同任务,如发票布局分析及表格识别等,旨在提高信息提取的效率。
- ICLR用于研究定常不可压纳维 - 斯托克斯方程的可扩展基准图网数据集
本文提出了一个 2D 图网格数据集,用于研究高雷诺数下的翼型气流,并介绍了应力力量指标以评估基于几何深度学习的模型,同时提供了广泛的 GDL 基准。
- 应用几何深度学习识别青光眼诊断中视神经盘的关键三维结构特征
本研究基于 Spectralis OCT 提取 3D ONH 点云并采用 PointNet 和 DGCNN 两种几何深度学习技术用于诊断青光眼和分析 3D 结构特征,其诊断精确度均优秀,且能确定有助于诊断的关键结构特征。因此,该方法具有诊断 - ICML基于 Helgason-Fourier 分析的非紧对称空间全连接网络与 Ridgelet 变换
本文介绍在 Riemann 对称空间,例如双曲空间和对称正定矩阵流形上的神经网络,基于非紧致对称空间上的 Helgason-Fourier 变换框架,提出了一个全连接网络和其相关的 ridgelet 变换,覆盖了双曲神经网络 (HNN) 和 - EMNLP利用几何深度学习对分层文本进行分类:以临床试验语料库为例
使用几何深度学习方法将临床试验文件表示为图形,使用选择性图形汇集方法提高了分类准确性,最终在一个包含 360K 份临床试验文件的公共数据库上实现了 0.85 的 F1 分数。
- 分子表示的几何深度学习
该综述介绍了基于对称信息的神经网络的几何深度学习在分子建模领域的应用,强调了所学到的分子特征和他们与传统分子描述符相互补充的重要性,并给出了该领域未来的发展前景。
- 相变、距离函数和隐式神经表示
该论文提出了一种新的损失函数用于训练无障碍神经表达模型,该方法受到流体相变理论的启发,并可以生成稠密函数以逼近真实的占用函数和距离函数,并可用于表面重建。
- MM可微几何深度学习的通用逼近定理
本文主要研究基于几何深度学习 (GDL) 框架的通用前馈神经网络的构建方法,用于处理非欧几里得数据,并得出了一些曲率相关的下界和上界等结论。同时,文章给出了可以保证该方法不失效的数据相关条件。
- 原始对偶网格卷积神经网络
本文提出了一种将图形神经网络的原始 - 对偶框架扩展到三角网格上的方法,使用动态聚合机制对 3D 网格的边缘和面特征进行聚合分析,并引入一种准确的几何解释来处理网格连接的变化,并在形状分类和形状分割任务中获得与最先进技术相当或更优的性能。
- 全卷积图神经网络用于参数虚拟试穿
提出了一种基于全卷积图神经网络的学习方法,用于虚拟试穿应用。该方法可以适用于许多服装类型,并使用几何深度学习方法对 3D 服装进行拟合。通过对目标物体形状和材料进行建模,我们的模型学习了更精细的细节,提高了试穿模型的性能。
- 粒子物理中的图神经网络
介绍了图神经网络在粒子物理学中应用的各种情况,并探讨了它在粒子物理学中的潜在应用。
- CVPRTearingNet: 点云自编码器学习友好拓扑表示
提出了基于拓扑结构的自编码器 TearingNet,通过拆解曲面与洞口提高表达原数据的能力和重构精度。
- MeshSDF: 可微分等值面提取
本文介绍一种基于 Deep Signed Distance Function 的不可微分网格表述方法 MeshSDF,通过推理隐式场的扰动如何影响局部表面几何,最终不限制分辨率和拓扑结构地将 Deep Implicit Field 显式地表