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.
2 天有情绪数据
-
几何深度学习实现机器人重构的局部传感
研究人员证明，对于同质旋转立方体模块化机器人的有效全局重构，局部传感已足够。一个使用强化学习训练的神经网络控制每个立方体，并且仅访问其直接邻居的信息。研究发现，虽然该网络的局部版本可以实现重构，但当立方体拥有更多关于整个组合的信息时，可以获得更快的重构速度。在神经网络架构中包含网格对称性在训练期间提供了微小的好处，但允许更小的模型尺寸。
-
新的几何深度学习模型增强了脑部MRI分析
研究人员开发了一种新颖的几何深度学习模型，该模型提高了扩散MRI中脑组织微观结构估计的泛化能力。这种新方法通过使用超网络将显式的b值依赖性纳入球形卷积神经网络（SCNN）架构中。所提出的方法在合成数据上显示出更低的均方根误差和偏差，在真实数据上与传统方法具有更高的 G一致性，表明对未见过的b值具有更强的鲁棒性，并减少了重新训练的需求。
-
几何深度学习革新多靶点药物设计
一篇新的综述文章探讨了几何深度学习（GDL）在多药理学和多靶点药物设计中的应用。文章强调了包括不变图神经网络和SE(3)-等变扩散模型在内的GDL架构如何克服传统药物设计方法在复杂疾病方面的局限性。文章详细介绍了GDL在表征结合口袋、预测多靶点生物活性以及生成新型双靶点配体方面的作用，并强调了扩散模型与强化学习的结合以解决几何冲突。综述还讨论了多模态组学数据整合和专门的几何基准测试在推进该领域发展中的重要性。
-
Siamese GNN 以 95.9% 的准确率预测子群关系
研究人员开发了一种 Siamese 图神经网络 (Siamese GNN) 来预测有限群中的子群关系。该模型将群表示为 Cayley 图并生成嵌入，然后将这些嵌入与代数特征相结合。这种集成方法在测试集上达到了 95.9% 的准确率，证明了几何深度学习在这一计算群论问题中的应用价值。
-
Siamese GNN 以 95.9% 的准确率预测有限群的子群关系
研究人员开发了一种 Siamese 图神经网络 (Siamese GNN) 来预测有限群中的子群关系。该模型使用 Cayley 图表示群，并生成与代数特征相结合的嵌入。该方法在独立测试集上达到了 95.9% 的准确率，展示了几何深度学习在计算群论问题中的潜力。
-
范畴深度学习框架统一AI架构
一个名为范畴深度学习（Categorical Deep Learning, CDL）的新理论框架被提出，用于统一各种深度学习架构。该框架由Gavranović等人发表的论文详细介绍，利用范畴论为描述Transformer、RNN和CNN等模型提供了一种通用语言。CDL旨在弥合指定模型约束与其实现之间的差距，特别是通过函数式编程概念。该理论被呈现为深度学习不同子领域的高层概述，包括架构、优化和函数理论，而CDL侧重于架构方面。
-
新框架通过更丰富的对称性统一图和层神经网络
研究人员引入了顺序等变神经网络（OENNs），这是一个利用更丰富的对称性结构统一图和层神经网络的新颖框架。该方法概括了现有方法，并引入了新的理论结果，包括线性顺序等变映射的表征以及连续顺序等变映射的通用逼近定理，这些定理此前对于层神经网络是未知的。该框架在图和层模型上进行了演示，将图神经网络已知的通用逼近定理扩展到一个更通用的设置。
-
新的几何因果模型利用对称性进行数据推断
研究人员开发了几何因果模型（GCMs），这是一个从非独立同分布的结构化数据中进行因果推断的新框架。该方法利用数据中潜在的对称性（通过群论形式化）来实现因果识别和估计。该框架结合了几何深度学习和贝叶斯推断，并已应用于构建一个满足DNA对称性的因果模型，为遗传变异效应提供了新的估计器。
-
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。