- ContactNet:基于几何的深度学习模型用于预测蛋白质 - 蛋白质相互作用
我们开发了一种基于注意力的图神经网络 (ContactNet),用于将从对接算法中得到的蛋白质相互作用模型分类为准确和错误的模型,不需要多序列比对,适用于其他类型的相互作用。
- Solarcast-ML: 太阳能发电的每节点图传播扩展
该研究扩展了 GraphCast 模型,将太阳能发电预测能力整合进去,并成功地预测了天气条件与太阳辐射之间的关系,为可再生能源部门提供宝贵的见解。
- MolecularGPT: 开放式大型语言模型(LLM)用于少样本分子性质预测
利用 MolecularGPT,基于大规模语言模型对分子指令进行微调,并通过零样本和少样本的上下文学习,在少样本分子预测任务中取得新的竞争性结果,显示出语境推理能力优势,超过传统的图神经网络方法和现有语言模型基线,为语言模型在少样本分子特性 - 图神经网络数据增强技术的研究与实现
数据增强技术在图神经网络的深度学习算法中起到关键作用,本文对图神经网络的数据增强技术进行了分析和优化,提出了一种基于图神经网络的数据增强技术。
- 节点分类的全局 - 局部图神经网络
提出了一种名为 Global-Local-GNN (GLGNN) 的方法,通过利用全局和局部信息以及节点标签和特征的学习,提高了节点分类 GNNs 的性能,并显示了全局信息利用对节点分类的重要性。
- 图神经汤普森采样
我们提出了一种基于图神经网络和汤普森抽样算法的在线决策问题求解方法,该方法在估计奖励函数的平均值和不确定性估计方面利用了图神经网络近似器,并证明在一定奖励函数边界的假设下,该方法在交互轮次数量和有效维度上能够达到线性次数的亚线性遗憾界,并且 - Scoreformer:一种大规模对接得分预测的代理模型
本研究提出了一种新颖的图形变换器模型 ScoreFormer,用于准确预测分子对接得分,从而优化药物发现中的高通量虚拟筛选。该模型通过集成 Principal Neighborhood Aggregation(PNA)和 Learnable - ALPHAGMUT: 基于理性引导的 Alpha Shape 图神经网络用于评估突变效果
通过计算蛋白质结构的 α 形状,利用结构信息和序列属性来评估突变效应,区分有病原性突变和无病原性突变的基于图神经网络的 AlphaGMut 新方法在性能指标上优于 DeepMind 的 AlphaMissense 等现有方法。
- CVPRTransformer 相遇神经算法推理者
使用 Transformer 的语言理解和图神经网络(GNN)的鲁棒性,我们提出了一种新的方法,将 Transformer 与基于神经算法推理器(NARs)的图算法进行结合,以解决算法推理方面的问题。经过评估,在算法推理方面,我们的结果表明 - 原子级材料建模中基于图的模型的可扩展训练:以 HydraGNN 为例
基于 HydraGNN 的可扩展图基础模型 (GFM) 的开发和训练,具有高度的训练规模和数据多样性,以及并行训练算法的创新;我们使用超级计算资源展示了多个优化策略和性能,开发出适用于材料发现和设计的 AI 加速的 GFM 模型。
- 基于传导型图自编码器的拟合装载预测
使用图神经网络 (GNN) 方法进行边权重预测,利用符合性预测调整 GNN 输出并生成有效的预测区间,通过误差重新加权和符合化的分位数回归 (CQR) 处理数据异方差性,与基线技术在真实世界的交通数据集上相比,我们的方法具有更好的覆盖率和效 - 基于嵌入式多模式学习的全面鳞癌的生存结果改善
用于患者生存预测的基于多模态数据的图神经网络框架 PARADIGM 优于其他模型,通过整合多种数据视角,提供全面的疾病认知。
- CHARME:一种基于链式强化学习的小嵌入问题解决方法
通过使用强化学习等技术解决量子退火中的 “次嵌入问题”,该研究提出了一种名为 CHARME 的方法,包括用于策略建模的图神经网络架构、确保解的有效性的状态转换算法和有效的训练顺序探索策略。实验证明,CHARME 的效率优于 Minormin - 图神经网络的逻辑精炼
我们提出了一种基于逻辑的可解释模型,用于学习图形,并通过图神经网络(GNN)提炼该模型的算法。我们通过决策树模型以及扩展的二阶逻辑(C2)从 GNN 中提炼可解释的逻辑分类器,测试结果表明在可被 C2 表达的情况下,我们的方法优于 GNN。
- ICMLMAGNOLIA: 基于 GNN 的在线价值逼近匹配算法
在线贝叶斯二分匹配问题是数字市场和交易所中的一个核心问题,我们引入了一种图神经网络(GNN)方法,模拟了该问题的组合复杂的最优在线算法,通过计算每个动作的 VTG(value-to-go)来选择动作(例如,匹配哪些节点),然后在未来以最佳方 - 利用消息传递变换器进行物理模拟学习
基于图神经网络的新型智能体架构 —— 消息传递变换器,结合了消息传递框架,采用了编码器 - 处理器 - 解码器结构,以及应用了图傅里叶损失作为模型优化的损失函数。
- KDD学习用图神经网络进行无小区大规模 MIMO 的最优线性预编码
我们开发了一种名为 OLP-GNN 的图神经网络,通过在 1 到 2 毫秒的时间预算内计算最优线性前编码器以实现最小下行用户数据速率的最大化,该方法在不同 AP 和 UE 数量以及不同的可见光和非可见光射频传播环境下实现了接近最优的频谱效率 - ICMLPANDA: 扩展宽度感知的消息传递超越重连
引入一种扩展型宽度感知信息传递(PANDA)的新信息传递范式,在网络结构中选择性地扩展具有高度中心性的节点,以解决 “过度压缩” 问题,并且在实验中表现优于传统的网络重连方法。
- 基于能量的图神经网络的认知不确定性
在具有相互依赖数据的领域中,如图形数据,量化图神经网络 (GNN) 的认知不确定性是具有挑战性的,因为不确定性可以在不同的结构尺度上产生。我们提出了 GEBM,一种能量模型(EBM),通过聚合来自图扩散引起的不同结构级别上的能量,提供高质量 - 利用全局图同质性在图神经网络中进行广义防御
该论文提出一种名为 Talos 的新防御方法,通过增强图的全局同质性来抵御针对图神经网络的对抗攻击,实验证明该方法在防御效果上显著优于现有方法且计算开销较小。