Geometric Deep Learning: Going beyond Euclidean data
PulseAugur coverage of Geometric Deep Learning: Going beyond Euclidean data — every cluster mentioning Geometric Deep Learning: Going beyond Euclidean data across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新框架为等变推理提供统计保证
一篇新的研究论文介绍了一个等变表示学习框架，旨在提高回归、条件概率估计和不确定性量化中的泛化能力和样本效率。该框架基于算子和群表示理论，近似条件期望算子的谱分解。在合成和真实机器人数据集上的实证评估表明，其在回归方面能与现有等变基线相媲美或超越，同时提供校准良好的不确定性估计。
-
深度学习框架提高了核酸-小分子对接的准确性
研究人员开发了NucleoDock，一个旨在提高小分子对接核酸结构准确性和效率的新深度学习框架。该方法通过结合在合成复合物上的大规模预训练和在真实数据上的微调，解决了实验数据有限的挑战。NucleoDock整合了序列和结构信息与3D特征，利用几何评分头进行姿态排序。在基准测试中，NucleoDock表现优于传统方法，在识别正确的对接姿态方面取得了56%的成功率，并显著提高了虚拟筛选的早期富集率。
-
EpiFormer 使用几何深度学习进行表位预测
研究人员开发了 EpiFormer，这是一个新颖的几何深度学习框架，旨在预测抗原-抗体相互作用并识别表位。该模型通过在其 GNN 编码层中使用交错的交叉注意力，解决了抗体链独立编码和数据稀疏性等关键挑战。这使得抗原和抗体在整个表示学习过程中能够进行双向信息流，从而显著提高了预测准确性并展示了跨数据集的泛化能力。EpiFormer 的 F1 分数比以前的方法提高了 40% 以上，并通过其学习到的注意力机制揭示了生物学相关见解。
-
度量感知PCA被构建为几何深度学习的线性实例
一篇新论文将度量感知PCA (MAPCA) 引入几何深度学习框架，作为其一个线性实例。MAPCA 使用一个正定度量矩阵来参数化主成分分析，在标准PCA和输出白化之间进行插值。该论文在多个维度上，包括域、对称群和几何先验，建立了MAPCA与几何深度学习之间的精确对应关系。它还提出了不变PCA (IPCA) 的唯一性定理，并探讨了核PCA和谱图方法等非线性扩展。