跳到主要内容
检索

# 图注意力网络

8 篇关联报道

订阅更新
  1. Scientific Reports

    神经符号框架跨院查青光眼:图推理与模糊规则单用都不吃亏,合用却掉8.1个AUC点

    青光眼自动筛查模型换一家医院、换一台相机就明显失准,一项神经符号框架把解剖图推理与可微模糊临床规则组合进同一网络,用取自八个数据集、八个国家共12,619张眼底图的9,100张训练,并以西班牙另一家医院、另一款相机拍摄的485张RIM-ONE图像做完全留出的跨院测试。在分布内测试集上,EfficientNet-B4加图注意力网络的配置取得0.9612的AUC(95%置信区间0.951–0.972),高于仅用EfficientNet-B4的0.9472;但两者合用后跨院AUC为0.6155,比基线低8.1个百分点。

  2. bioRxiv

    单细胞扰动预测不再只靠预训练:GFM把知识图谱接进流匹配,训练最多快30倍

    在多个大规模Perturb-seq数据集上,一种名为Graph-guided Flow Matching(GFM)的生成框架把基因本体、蛋白互作和扰动相似性三类知识图谱与潜空间流匹配结合,用于预测未见过扰动后的单细胞转录组。它在单基因扰动预测上超过了线性基线和CellFlow、GEARS、scGPT等深度学习模型,训练速度最多快30倍,并在训练数据减少时保持优势;在双基因扰动中,当两个基因都未在训练中出现时表现更好。

  3. bioRxiv

    脑状态信息存在哪里取决于动力学复杂度:工作记忆靠轨迹,关系推理靠时间平均

    同一套学习到的脑动力学模型可以同时给出时间平均连接和轨迹几何两种表示,而哪一种携带区分认知条件的信息,随脑动力学复杂度改变。在人类连接组计划年轻成人队列的八个条件上,完整模型分类准确率为97.4%;把时间平均表示置零后,仅靠轨迹的分类准确率从工作记忆的93.4%降到关系推理的0.0%,与标签置换零假设无法区分。在老化队列的四个条件上,时间平均表示承担了大部分判别信息,但高复杂度与低复杂度条件之间的对比仍然保留。

  4. arXiv

    手术画面描述改用图检索:GRAC在EndoVis-18上把器械-动作-目标三元组完全匹配率提到52.6%

    GRAC把手术场景表示为图,从训练集中检索相似的手术活动图-描述对,再比较当前场景与检索场景的器械-组织交互,用比较结果约束生成。在EndoVis-18合并评测集上,它的CIDEr-D为5.88,高于SGT的4.23和最强传统Transformer基线的3.36;器械-动作-目标三元组完全匹配率为52.6%,SGT为32.7%,最强传统基线为26.2%。在TORS数据集上,它的CIDEr-D为5.06,最强基线为3.80。

  5. researchsquare.com

    GraphCLaRa 给冻结的 CLaRa 阅读器加一层图重排:多跳问答 F1 最高提升 6.6,且用更少文档

    多跳问答的检索增强生成常被无关文档拖累,而 CLaRa 把检索文档压成稠密隐记忆后,文档之间的结构关系更难被利用。GraphCLaRa 在冻结的 CLaRa 阅读器前加一个约 130 万参数的图重排器:按查询构建文档图,用图注意力网络传播证据,再自适应决定送入多少篇文档。在四个问答基准上,它在三个数据集上提升答案 F1,2Wiki 提升 6.6、MuSiQue 提升 6.4、NQ 提升 2.5,同时使用更少文档;在检索已饱和的 HotpotQA 上落后 1.1 F1。

  6. researchsquare.com

    配电网故障后不再只求快:图注意力做决策骨架,2.3毫秒给出接近最优的复电路径

    配电网故障自愈长期在决策质量、实时性和可解释性之间取舍:数学规划接近最优但耗时,深度强化学习毫秒级决策却难以说明理由。一种把图注意力网络嵌入软演员—评论家智能体、并将韧性指数直接写入奖励的方法,在IEEE 33节点与123节点系统上把在线决策压到2.3毫秒,与混合整数线性规划最优解的差距为2.8%。注意力热图与SHAP归因同时给出智能体关注哪里、为何这样决策。

  7. researchsquare.com

    路口信号灯学会分辨堵车是阵发还是断路:随机封路下等待时间恢复从329秒缩到245秒

    多路口信号控制不再把整张路网压成一个共享隐向量。此前在正常流量下训练的策略遇到封路、走廊中断或降雨时,往往分不清短暂波动和持续通行能力下降。这里让每个路口按相邻路口的联合状态重新分配注意力,再用一段历史窗口判断变化是否持续,在随机封路场景中把等待时间恢复时间从329秒缩短到245秒,中心封区场景中等待时间恢复快82秒。

  8. Cancer Discovery

    MutationProjector 用 3 万余例肿瘤基因组预训练,在膀胱癌、肺癌和黑色素瘤中预测免疫治疗应答并锁定 KMT2D 与 SMARCA4-STK11 等标志物

    研究团队构建了基于图注意力网络、整合八类分子网络的肿瘤基因组基础模型 MutationProjector,在 30,328 例、10 种实体瘤的基因改变数据上以掩码基因重建进行自监督预训练,随后用随机森林在少量标注队列上迁移学习,在膀胱癌、肺癌、黑色素瘤免疫治疗应答预测中取得 HR 分别为 0.71、0.74、0.59 的生存分层,在顺铂化疗膀胱癌队列中 HR 为 0.43,并通过注意力分析提出 KMT2D 与 SMARCA4-STK11 等新候选标志物。

已读完全部报道