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。

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。

图自动编码器上二阶段融合实现的环状RNA-疾病关联预测

大部分现有的用于预测环状RNA(circRNA)与疾病之间关联关系的计算模型通常使用circRNA和疾病相关数据等生物学知识,配合已知的circRNA-疾病关联信息对来挖掘出潜在的关联信息。然而这些模型受已知关联构成的网络稀疏性、负样本过少等固有问题的影响,导致预测性能不佳。因此,在图自动编码器基础上引入归纳式矩阵补全及自注意力机制进行二阶段融合,以实现circRNA-疾病关联预测,由此构建的模型叫GIS-CDA(Graph auto-encoder combining Inductive matrix complementation and Self-attention mechanism for predicting Circ RNA-Disease Association)。首先,计算circRNA集成和疾病集成的相似性,并利用图自动编码器学习circRNA和疾病的潜在特征,以获得低维表征;接着,将学习到的特征输入归纳式矩阵补全,以提高节点之间的相似性和依赖性;然后,将circRNA特征矩阵和疾病特征矩阵整合为circRNA-疾病特征矩阵,以增强预测的稳定性和精确性;最后,引入自注意力机制,从特征矩阵中提取重要特征,并减少对其他生物信息的依赖。五折交叉和十折交叉验证的结果显示:GIS-CDA获得的平均接收者操作特征曲线下面积(AUROC)值分别为0.9303和0.9393,前者比基于KATZ测度的人类circRNA-疾病关联预测模型(KATZHCDA)、基于深度矩阵分解方法的circRNA-疾病关联(DMFCDA)预测模型、RWR(Random Walk with Restart)和基于加速归纳式矩阵补全的circRNA-疾病关联(SIMCCDA)预测模型分别高出了13.19、35.73、13.28和5.01个百分点;GIS-CDA的精确率-召回率曲线下面积(AUPR)值分别为0.2271和0.2340,前者比上述对比模型分别高出了21.72、22.43、21.96和13.86个百分点。此外,在circRNADisease、circ2Disease和circ R2Disease数据集上的消融实验和案例研究进一步验证了GIS-CDA在预测circRNA-疾病的潜在关联方面具有较好的性能。

基于多维云概念嵌入的变分图自编码器研究

变分图自编码器是图嵌入研究中重要的深度学习模型,但存在着先验正态分布缺陷、训练过程中容易出现后验塌陷等问题.本文从建立云概念空间与隐空间的映射关系入手,引入云模型数字特征对网络中的节点进行不确定性概念表示,设计了一种基于多维云模型的变分图自编码器(Variational Graph Autoencoder based on Multidimensional Cloud Model,MCM-VGAE).该模型实现了隐空间的多维云概念嵌入及相应的漂移性损失度量,将先验分布扩展为泛正态分布,利用多维正向云发生器及云包络带修正采样算法实现了重参数化过程,有效缓解了后验塌陷现象.在应用效果上,模型在多类型数据集上的链路预测、节点聚类、图嵌入可视化实验表现均优于基准模型,进一步说明了方法的普适有效性.

结合知识图谱的变分自编码器零样本图像识别

近年来,结合生成模型的零样本算法得到了广泛的研究,但此类方法通常仅使用属性注释,缺少类别语义,而单一信息对类别表征能力不够强,容易产生域偏移,影响知识迁移的效果,进而降低分类结果的准确率。为了解决此问题,提出一种结合知识图谱变分自编码器零样本识别算法(KG-VAE),通过构建联合类别分级结构,类别文本描述和词向量的层次结构化知识图谱作为语义信息库,将知识图谱中丰富的语义知识结合到以变分自编码器为基础的生成模型中,使生成的潜在特征更好保留有效的判定性信息,减小域偏移,促进知识迁移。在四个公开的零样本数据集上进行了实验,对比基准方法CADA-VAE,分类平均准确率有一定的提高;同时利用消融实验证明了知识图谱作为语义辅助信息的有效性。

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.

融合模体图神经网络和自编码器的链路预测

链路预测是网络数据挖掘的一项基本任务,已有很多相关的研究成果。由于图神经网络研究的深入发展,使得相关的模型可以更加有效学习网络的重要特征,在链路预测等任务中取得了很好的预测效果。然而,不同于深度学习中CNN模型,已有的图神经网络模型中仅聚合了节点的一阶邻居信息,未充分考虑邻居节点之间的拓扑结构特性。在此基础上,提出了基于模体的图神经网络链路预测模型。该模型采用自编码器结构,在编码过程中,通过模体构建节点的邻接矩阵,进而得到节点的模体邻域,依照每一类模体的邻域聚合邻居信息,通过非线性变换得到节点的表示,最后拼接每一类模体下节点的表示。然而由于不同的模体结构在网络中重要度有所不同,利用注意力网络给出表达不同模体的注意力权重,连接注意力网络给出节点的向量表示。在解码过程中,通过计算节点间的相似性重构网络。在几个引文合作者网络上的实验结果表明,该方法在两个指标上优于大多数基准算法,有效地提高了网络链路预测的准确度。

基于图自编码器的无监督多变量时间序列异常检测

针对多变量时间序列复杂的时间相关性和高维度使得异常检测性能较差的问题,以对抗训练框架为基础提出基于图自编码的无监督多变量时间序列异常检测模型.首先,将特征转换为嵌入向量来表示;其次,将划分好的时间序列结合嵌入向量转换为图结构数据;然后,用两个图自编码器模拟对抗训练重构数据样本;最后,根据测试数据在模型训练下的重构误差进行异常判定.将提出的方法与5种基线异常检测方法进行比较.实验结果表明,提出的模型在测试数据集获得了最高的F1分数,总体性能分F1分数比最新的异常检测模型USAD提高了28.4%.可见提出的模型有效提高异常检测性能.

联合ZINB模型与图注意力自编码器的自优化单细胞聚类

单细胞数据聚类在生物信息分析中具有重要作用,但受测序原理和测序平台的限制,单细胞数据集普遍存在高维稀疏性、高方差噪声和基因数据缺失的问题,导致单细胞数据在聚类分析和应用方面仍面临诸多挑战。现有的单细胞聚类方法主要针对细胞和基因表达间的关系进行建模,忽略了对细胞间潜在特征关系的充分挖掘以及对噪声的去除,导致聚类结果不理想,从而阻碍了后期对数据的分析。针对上述问题,提出了一种联合零膨胀负二项(Zero Inflated Negative Binomial,ZINB)模型与图注意力自编码器的自优化单细胞聚类算法(Self-optimized Single Cell Clustering Using ZINB Model and Graph Attention Autoencoder,scZDGAC)。该算法首先使用ZINB模型并结合可扩展的DCA去噪算法,通过ZINB分布更好地拟合数据特征分布,提升自编码器的去噪性能,并减小噪声和数据丢失对KNN算法输出的影响;然后通过图注意力自编码器在不同权重的细胞之间传播信息,更好地捕获细胞间的潜在特征进行聚类;最后scZDGAC采用自优化的方法使原本两个独立的聚类模块和特征模块相互受益,不断迭代更新聚类中心,进一步提升聚类性能。为了对聚类结果进行评价,文中使用调整兰德指数(ARI)和标准化互信息(NMI)两个通用评价指标。在6个不同规模的单细胞数据集上与其他算法进行对比实验,结果表明,所提聚类算法在聚类性能上较其他方法有很大提高,很好地展现了该算法的鲁棒性。

融合抗噪机制的图变分自编码器社交网络推荐方法研究

链路预测是根据复杂网络中已有的拓扑信息预测网络中两个不相邻的节点间产生连接的可能性,是社交网络推荐中使用的主要方法之一。随着社交网络近些年来蓬勃发展,数据量的剧烈增加无可避免地导致坏数据的出现(即目标节点特征属性缺失,或是目标节点特征属性错乱)。为了解决有节点属性社交网络中因为节点特征缺失导致的链路预测准确率降低的问题,提出了一种结合噪声对抗机制的图变分自编码器模型(Denoising Graph Variational Autoencoder,DGVAE)来优化链路预测效果。通过建立一种图变分自编码器结构,并设计一个噪声对抗模块,使得图变分自编码器能够有效地抵抗噪声干扰。经过一系列实验的验证,在有节点属性的网络中,采用噪声对抗的图变分自编码器模型能够有效地预测复杂的网络结构,而且在数据有冗余噪声的情况下,这种模型的预测效果有显著的改善。

基于One-Shot聚合自编码器的图表示学习

自编码器(AE)是一种高效的图数据表示学习模型,但大多数图自编码器(GAE)为浅层模型,其效率会随着隐藏层的增加而降低。针对上述问题,提出基于One-Shot聚合(OSA)和指数线性(ELU)函数的GAE模型OSA-GAE和图变分自编码器模型OSA-VGAE。首先,利用多层图卷积网络(GCN)构建编码器,并引入OSA和ELU函数;然后,在解码阶段使用内积解码器恢复图的拓扑结构;此外,为了防止模型训练过程中的参数过拟合,在损失函数中引入正则化项。实验结果表明,OSA和ELU函数可以有效提高深层GAE的性能,改善模型的梯度信息传递。在使用6层GCN时,基准引文数据集PubMed的链接预测任务中,深层OSA-VGAE相较于原始的VGAE在ROC曲线下的面积(AUC)和平均精度(AP)上分别提升了8.67和6.85个百分点,深层OSA-GAE相较于原始的GAE在AP和AUC上分别提升了6.82和4.39个百分点。

基于图增强和图神经网络的层次社区发现方法

[目的]现有的多分辨率层次社区发现方法需要搜索分辨率参数得到特定层次的社区划分,且无法利用网络拓扑与节点属性之间的关联获取社区结构信息.为解决这些限制,本文提出一种基于图增强和图神经网络的层次社区发现方法HCEG.[方法]首先在图增强过程中对原始网络进行重构,使得构建的初始社区种子能涵括节点属性和拓扑信息,然后对初始种子社区集进行合并,再采用基于图神经网络的方法进行拓展,以搜寻网络中不同层次的社区划分.[结果]与其他SOTA方法相比,所提出的HCEG方法可以准确地找到不同类型真实网络中的分层社区结构,并可在不同规模的真实网络中可以获得良好的社区发现性能.[结论]在社交网络、引文网络、网页超链接网络等真实数据集上的一系列实验,验证了HCEG方法的可行性和有效性.

基于CT平扫的彩色编码图对自发性孤立性肠系膜上动脉夹层初筛的价值

目的探讨基于CT平扫的彩色编码图在发现自发性孤立性肠系膜上动脉夹层(SISMAD)中的价值。方法由两名具有不同专业水平的观察者对经CT血管造影(CTA)证实的19例SISMAD和15名对照组的CT平扫图像和经彩色编码处理后的CT平扫图像(彩色编码图)进行观察和分析,来评估彩色编码图在SISMAD发现和诊断中的价值。结果两名诊断医师采用CT平扫图像诊断SISMAD的敏感度分别为42.10%、31.58%,特异度分别为93.33%、80.00%,准确率分别为64.71%、52.94%,受试者工作特征曲线(ROC)曲线下面积(AUC)分别为0.677、0.558;两名诊断医师采用彩色编码图诊断SISMAD的敏感度均为52.63%,特异度分别为93.33%、86.67%,准确率分别为70.59%、67.65%,AUC分别为0.730、0.696。在SISMAD血栓组中,两名诊断医师采用CT平扫图像诊断SISMAD的敏感度分别为60.00%、40.00%、特异度均为79.31%,准确率分别为76.47%、73.53%。两名诊断医师采用彩色编码图诊断SISMAD的敏感度均为80.00%,特异度分别为79.31%、75.86%,准确率分别为79.41%、76.47%。彩色编码图对低年资放射诊断医师诊断信心的提高有着显著的统计学意义(P<0.05)。结论基于CT平扫的彩色编码图在一定程度上可以提高肉眼对病变影像的辨识度,进而有助于SISMAD的发现。并且,使用彩色编码图可以有效地提高影像诊断医师诊断SISMAD的信心、准确率及提高观察者间的一致性,特别是对于假腔内有血栓形成的SISMAD。

一种吸引子图象编码的快速算法

压缩速度慢是吸引子图象编码技术实用化的最大障碍 ,因此 ,如何加速其编码过程 ,是当今吸引子图象编码的研究热点。本文提出一种快速吸引子编码的方法 ,它将分形维数作为衡量值域子块和定义域子块是否匹配的主要依据 ,有效避免了传统编码方法中子块匹配的耗时运算 ,同时采用气泡上浮法和二分法等快速排序和查找方法加速其编码过程。实验结果表明 ,该方案比传统 Jacquin方法快

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%。

基于表面描述的图象编码方法

本文提出了一种基于Delaunay三角形化图象“表面”描述的灰度图象编码方法。利用Delaunay三角形化的良好特性,仅编码由少数象素组成的特征图象就可以几乎不失真地恢复出描述得到的近似模型。对常规Delaunay三角形化的改进避免了由于退化产生的三角形连接错误。整个编译码方案在压缩比为33倍时仍具有较好的恢复图象质量。

彩色编码血流图对颅内动静脉畸形评估的价值

目的探讨彩色编码血流图对颅内动静脉畸形(AVM)术前及术中评估的价值。方法回顾性分析15例AVM患者术前行常规全脑DSA检查,并用i Flow软件进行影像后处理的彩色编码血流图的影像资料,在二维DSA图像及彩色编码血流图上对AVM的病灶范围、血管构筑及血流动力学等进行综合分析。结果 15例AVM患者中,小型9例(其中4例畸形团表现为弥散型),中型3例,大型3例;单支供血动脉8例,多支供血动脉7例;单支引流静脉11例,多支引流静脉4例。在显示动静脉畸形团大小,尤其是弥散型畸形团方面,彩色编码血流图较二维DSA图像可更加清晰。彩色编码血流图能直观显示表浅和深部的引流静脉走形,同时根据曲线下面积大小和半峰宽长短,可以判断出主要引流静脉和次要引流静脉,并能直观反映脑血流的完整周期。结论彩色编码血流图可快速、准确地描绘出AVM的范围、血管构筑特征以及术中血流动力学的变化。

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。