基于图编码与小样本学习的精神分裂症分析方法

在基于图神经网络的脑功能性疾病研究中,构建脑网络之后不再变化,且一般需要大量的数据进行建模训练。为了解决这两个问题,文章提出一种基于图编码与小样本学习的分析诊断模型。该模型采用皮尔逊相关系数和自注意力机制构建自适应脑网络,并将时域特征、频域特征和脑网络特征作为图卷积神经网络的输入,进行动态学习自适应脑网络和图编码特征。将图编码特征作为图原型网络的输入,进行小样本学习并实现分类。将该模型应用于精神分裂症的分类诊断,实验结果表明,精神分裂症的识别准确率达到83.4%,为脑网络研究提供一种全新的思路和方法,为小样本学习在精神分裂症研究中的应用开辟了新的方向。

基于图编码网络的社交网络节点分类方法

针对如何融合节点自身属性以及网络结构信息实现社交网络节点分类的问题,提出了一种基于图编码网络的社交网络节点分类算法。首先,每个节点向邻域节点传播其携带的信息;其次,每个节点通过神经网络挖掘其与邻域节点之间可能隐含的关系,并且将这些关系进行融合;最后,每个节点根据自身信息以及与邻域节点关系的信息提取更高层次的特征,作为节点的表示,并且根据该表示对节点进行分类。在微博数据集上,与经典的深度随机游走模型、逻辑回归算法有以及最近提出的图卷积网络算法相比,所提算法分类准确率均有大于8%的提升;在DBLP数据集上,与多层感知器相比分类准确率提升4.83%,与图卷积网络相比分类准确率提升0.91%。

一种基于小波系数重要图编码的图像压缩算法

提出了一种新的基于小波系数重要图编码的图像压缩算法。该算法根据量化后的小波系数的特点进行了一种期望排序,然后舍掉序列后面大量的零值小波系数,从而得到一个小波系数子集,能以少的小波系数来很好地逼近原始图像,省去了零树编码中零树结构带来的大量比特开销。实验表明,该算法与MPEG-4的静止图像压缩算法相比较,重构图像的峰值信噪比(PSNR)值在相同码率下有较大的提高。

基于图编码的网络拓扑语义挖掘

对网络的拓扑语义理解,一直是网络结构信息挖掘的重要内容。当前的图分解和社区发现算法,对于网络中子图语义和子图间的重叠语义总是难以确定。基于最小描述长度的图编码方法,结合多样化的编码字典模板,能够统一地将网络中的拓扑结构语义进行挖掘和识别。实验分析表明,图编码方法能够优化网络结构理解,挖掘出网络的具体子图语义类型,有益于更深入地理解网络拓扑语义。

基于多视角图编码的选择式阅读理解方法

选择式阅读理解通常采用证据抽取和答案预测的两阶段流水线框架,答案预测的效果非常依赖于证据句抽取的效果.传统的证据抽取多依赖词段匹配或利用噪声标签监督证据抽取的方法,准确率不理想,这极大地影响了答案预测的性能.针对该问题,提出一种联合学习框架下基于多视角图编码的选择式阅读理解方法,从多视角充分挖掘文档句子之间以及文档句子和问句之间的关联关系,实现证据句及其关系的有效建模;同时通过联合训练证据抽取和答案预测任务,利用证据和答案之间强关联关系提升证据抽取与答案预测的性能.具体来说,所提方法首先基于多视角图编码模块对文档、问题和候选答案联合编码,从统计特性、相对距离和深度语义3个视角捕捉文档、问题和候选答案之间的关系,获得问答对感知的文档编码特征;然后,构建证据抽取和答案预测的联合学习模块,通过协同训练强化证据与答案之间的关系,证据抽取子模块实现证据句的选择,并将其结果和文档编码特征进行选择性融合,并用于答案预测子模块完成答案预测.在选择式阅读理解数据集ReCO和RACE上的实验结果表明,所提方法提升了从文档中选择证据句子的能力,进而提高答案预测的准确率.同时,证据抽取与答案预测联合学习很大程度减缓了传统流水线所导致的误差累积问题.

可变长图编码的电路演化设计方法

电子设计自动化(EDA)极大地促进了电路设计的发展,但目前许多模拟电路模块仍然需要专家相对手工的设计来进行创新。针对此困境,提出一种可变长图编码的电路演化设计方法。此方法利用生成图的过程来启发电路编码,通过利用公共节点为待交叉个体计算独立的编码交叉点,保障了生成电路节点的有序性和新生个体电路的正确性,避免了仿真无效候选电路的计算成本,并通过多策略变异算子来实现结构演化和相应元件值的同步优化。以低通滤波器的演化设计为例,说明和验证了可变长图编码演化算法在电路自动设计中的应用。

局部全连接图编码的点云语义分割网络

针对大场景细粒度点云语义分割,提出一种基于局部全连接图编码的语义分割网络。通过采用基于局部全连接图描述的特征编码方法提高网络对邻域空间的特征提取能力,在此基础上,采用多组基于图扩张卷积块残差块实现更有效的特征聚合与增强。针对样本不平衡问题,采用基于反频率权重交叉熵作为损失函数,实现对样本不平衡的处理。基于SensatUrban数据集的实验表明:本文方法相比现有方法在多项指标中最优,证明在大场景细粒度语义分割方面的有效性与实用性。

融合模体感知和图Transformer编码的社区检测

针对已有社区检测方法存在忽略高阶结构信息,且在信息引入过程中极易产生碎片的问题,提出了一种融合模体感知和图Transformer编码的社区检测方法。首先,将原图中的极大完全子图视为模体,并以模体为顶点对原图进行重构,捕获模体邻接矩阵。同时,使用混阶外切边编码获取原图的残留边信息,解决碎片问题,利用位置编码和内权边编码捕获重构图上的位置信息和边信息。其次,使用图Transformer提取原图携带的初始特征,再对编码所得的位置信息和边信息及初始特征进行融合,获得模体嵌入矩阵,实现社区检测。最后,在几个不同数据集上的实验结果表明,所提方法可以有效提高社区检测的性能,而且,对重叠社区检测和多社区公共顶点检测也是有效的。

结合图自动编码器和结构化注意力机制的miRNA-疾病关联预测方法

MicroRNA(miRNA)-疾病关联预测的研究有助于人类进行疾病预防、诊断和治疗等,许多研究人员开发出了基于图自动编码器的miRNA-疾病关联预测方法,然而大多数编码器方法在对中心节点编码的时候并没有考虑到邻居节点之间的差异。因此,本文提出一种结合图自动编码器和结构化注意力机制的miRNA-疾病关联预测方法(SAAE)。SAAE模型使用基于图神经网络的编码器,该编码器采用多个编码层堆叠的方式以探索多阶邻居的信息。为了将中心节点与邻居节点不同权重的特征信息进行融合并捕获节点在图中的高阶结构信息,引进结构化注意力机制对图节点的原始信息进行编码,以生成新的特征信息。随后,通过解码器进行解码,解码后的特征信息使用随机森林算法挖掘miRNA和疾病节点之间的潜在联系。实验结果表明,SAAE在5倍交叉验证的曲线下的平均面积为94.53%。此外,本文还进行了关于肾脏肿瘤和肺部肿瘤的2个案例研究,验证了SAAE预测的有效性。

基于变分图自动编码器与K均值聚类的虚拟网络嵌入算法应用

将虚拟网络映射到物理网络是网络功能虚拟化中一项重要的任务.为了有效地分配虚拟网络请求,需要将虚拟网络嵌入到物理网络拓扑中.然而,由于虚拟网络的复杂性和物理网络的限制,这一任务变得非常具有挑战性.鉴于此,研究在现有虚拟网络嵌入算法(Virtual Network Embedding, VNE)模型基础上进行改进,融入了变分图自动编码器(Variational Graph Auto-Encoders, VGAE),提出了一种新型虚拟网络嵌入算法模型.通过编码器对虚拟网络的嵌入特征进行提取,随后利用K-means聚类算法对所得到的嵌入特征进行分类,最终得到合适的嵌入分配方法.实验结果表明,该新模型相较于其他同类型的嵌入算法性能表现最佳,稳定性最好,其平均嵌入请求接受率为60%,长期平均CPU资源利用率最高达97%.综上所述,研究提出的新型虚拟网络嵌入算法在资源利用率和嵌入质量方面表现出色,能够有效应对复杂的网络环境和大规模的虚拟网络请求.

基于异常感知的变分图自编码器的图级异常检测算法

图异常检测在识别复杂数据结构的异常模式中具有重要作用,被广泛地应用于有害分子识别、金融欺诈检测、社交网络分析等领域.但目前的图异常检测研究大多数聚焦在节点级别的异常检测,针对图级别的异常检测方法仍然较少,且这些方法并不能对异常图数据进行充分挖掘,且对异常标签比较敏感,无法有效地捕捉异常样本的特征,存在模型泛化能力差、性能翻转问题,异常检测能力有待提升.提出了一种基于异常感知的变分图自编码器的图级异常检测算法(anomaly-aware variational graph autoencoder based graph-level anomaly detection algorithm,VGAE-D),利用具有异常感知能力的变分图自编码器提取正常图和异常图数据的特征,并差异化正常图和异常图在编码空间中的编码信息分布,对图编码信息进一步挖掘来计算图的异常得分.在不同领域的8个公开数据集上进行实验,实验结果表明,提出的图级别异常检测方法能有效地对不同数据集中的异常图进行识别,异常检测性能高于目前主流的图级别异常方法,且具有少异常样本学习能力,较大程度上克服了性能翻转问题.

NLGAE:一种基于改进网络结构及损失函数的图自编码器节点分类模型

利用图嵌入方法将图的拓扑结构、节点属性等高维异构信息映射到稠密的向量空间,是解决图数据由非欧空间性带来的计算不友好、邻接矩阵的高度空间复杂性等问题的主流方法。在对经典图自编码器模型GAE与VGAE所存在的问题进行分析的基础上,尝试从编码器、解码器及损失函数3个方面对基于图自编码器的图嵌入方法进行改进,提出一种基于改进网络结构及损失函数的图自编码器模型NLGAE。首先,在模型结构设计上,一方面将编码器中堆叠的图卷积层倒置,以解决GAE与VGAE中无参Decoder缺乏灵活性并且表达能力不足的问题,另一方面引入注意力机制的图卷积网络GAT来解决节点之间的权重系数固化的问题;其次,重新设计的损失函数能够同时考虑到图结构与节点特征属性两部分信息。对比实验结果表明:NLGAE作为一种无监督模型,能够学习到高质量的节点嵌入特征,在下游节点分类任务上优于DeepWalk,GAE,GrpahMAE,GATE等经典无监督模型,并且在选择合适分类模型的情况下,甚至优于GAT和GCN等有监督的图神经网络模型。

基于图自编码器和GRU网络的分层交通流预测模型

准确的交通流预测信息不仅可以为交通管理人员提供交通决策的坚实基础,还可以减少交通拥堵情况。在交通流预测任务中,获得有效的交通流的时空特性是保证预测效果的前提。现有的方法大多是用未来时刻的数据进行监督学习,提取的特征具有局限性。针对现有预测模型无法充分挖掘交通流的时空特性的问题,提出了基于改进的图自编码器和门控循环单元的分层交通预测模型。首先使用图注意力自编码器以无监督的方式深度挖掘交通流的空间特性,然后使用门控循环单元进行时间特征提取。分层结构采用分开训练的方式进行时空依赖关系的学习,旨在获取路网天然存在的空间拓扑特征,使其可以兼容不同时间步下的交通流预测任务。大量实验证明,所提出的GAE-GRU模型在不同数据集下的交通预测任务中取得了优异的表现,MAE,RMSE和MAPE指标均优于基线模型。

结合路径掩蔽和双解码器的图自编码器框架

图自编码器作为一种自监督学习方法,在图神经网络领域得到广泛应用。然而,最近的研究表明,现有的图自编码器通常重构整个图结构,容易产生过拟合数据。此外,这些方法过度强调邻居信息而忽略了结构信息,导致在节点分类任务中表现不佳。针对以上问题,提出了基于路径掩蔽和双解码器的图自编码器框架,用于图表示学习。通过路径掩蔽方法扰动输入图,避免产生过拟合数据。将图神经网络作为编码器,在剩余的图结构上进行消息传递,提高了对图数据的学习能力。提出双解码器对掩蔽边重构,既包含了邻居信息又捕获了结构信息。模型在5个公开的图数据集上进行了实验,并与当前具有代表性的图表示学习方法进行了对比。实验结果表明,提出的方法在5个数据集上均取得了相似或更好的效果,并且在链接预测和节点分类任务上优于基线方法。

基于图嵌入编码形态信息的非均匀多任务强化学习方法

传统强化学习方法存在效率低下、泛化性能差、策略模型不可迁移的问题。针对此问题,提出了一种非均匀多任务强化学习方法,通过学习多个强化任务提升效率和泛化性能,将智能体形态构建为图,利用图神经网络能处理任意连接和大小的图来解决状态和动作空间维度不同的非均匀任务,突破模型不可迁移的局限,充分发挥图神经网络天然地利用图结构归纳偏差的优点,实现了模型高效训练和泛化性能提升,并可快速迁移到新任务。多任务学习实验结果表明,与以往方法相比,该方法在多任务学习和迁移学习实验中均表现出更好的性能,在迁移学习实验中展现出更准确的知识迁移。通过引入图结构偏差,使该方法具备更高的效率和更好的迁移泛化性能。

改进的动态图水印技术编码方案

针对动态图水印性能评测指标之间相互制约的关系,寻找指标之间的平衡点,满足理想水印图的特征条件,结合现有的动态图水印技术编码方案,改进了一种编码方案。该改进方案利用二维PPCT编码纠错能力强、抗攻击性能好的特点以及K基数链表编码率高的优点,引入混合编码的思想,添加指针域,构造多个水印图,对真实水印起到混淆的作用。理论分析和实验结果表明,该改进方案提高了数据率、抗攻击能力和鲁棒性,是一种不错的水印编码方案。

基于小波变换的一种图像编码方法

利用小波图像系数特点,实现高效压缩编码。文中给出了小波图像系数统计数据例子、符号编码定义以及数值编码结构。采用均匀标量量化方法完成小波图像中的低频子图编码。按照EZW的小波树结构组织低频外的其它子图,利用文中定义的方法对系数进行符号编码与数值编码。用标准图像测试编码方法,并把实验结果与EZW方法比较。结果表明:此方法的编码时间较EZW方法短,在相同压缩比下,峰值对数信噪比(PSNR)有明显提高。

基于图自编码器多尺度特征的自监督群体发现

现有基于图自编码器的群体发现方法通常忽略了编码层多尺度特征对群体发现的影响,同时由于缺少统一的优化目标函数导致次优结果。为此,提出一种基于图自编码器多尺度特征融合的自监督群体发现方法。在图自编码器的基础上引入一种多尺度自表达模块,从不同编码层获取具有区分性的节点关系矩阵表示,并与节点潜在表示进行融合;通过节点聚类模块获得初步的群体识别结果;引入一种自监督模块监督节点表示学习过程,获得更优结果,构建一种端对端的网络群体发现模型。在多个公开数据集上进行对比实验,验证了所提方法的有效性,与现有方法相比,其在群体识别准确度上有了明显提升。

基于图自编码器与LightGBM的癌症驱动基因识别系统

在癌症的形成和进展中,癌症驱动基因扮演着重要角色.准确识别癌症驱动基因有助于深入理解癌症的发生机制,推动精准医学的发展.针对当前癌症驱动基因识别领域所面临的异质性和复杂性问题,本文设计并实现了一种基于图自编码器与LightGBM的癌症驱动基因识别系统ACGAI.该系统首先以无监督的方式通过图自编码器学习生物分子网络的复杂拓扑结构,随后将生成的嵌入表示与原始基因特征进行拼接,形成基因增强特征并输入至LightGBM.在经过训练后,系统输出生物分子网络上每个基因的预测得分,实现了对癌症驱动基因的准确识别.最终,该系统利用Web技术创建了一套用户友好、交互性强的可视化界面,实现在基因集分析场景中的癌症驱动基因识别,并为识别结果提供了生物学解释.经过测试,该系统表现出优于其他方法的识别性能,能有效识别癌症驱动基因.

基于二阶图自编码器的复杂网络分析

为了充分利用复杂网络中蕴含的信息,增强图自编码器模型的表征能力,提出一种基于二阶图卷积网络的自编码器模型SeGCN-AE。先使用二阶图卷积网络提取实体属性和关系信息,生成低维特征表示;然后使用内积解码器重构复杂网络链接关系矩阵,并通过重构损失对模型进行优化。在两个基准复杂网络数据集实验中,SeGCN-AE的性能始终优于当前较为先进的基线模型,表明二阶关系的引入能够增强模型的表征能力,提升复杂网络分析任务的表现。