Graph Convolutional Neural Networks for Predicting Drug-Target Interactions
PulseAugur coverage of Graph Convolutional Neural Networks for Predicting Drug-Target Interactions — every cluster mentioning Graph Convolutional Neural Networks for Predicting Drug-Target Interactions across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的RicciPool方法利用图曲率增强GCNNs
研究人员推出了一种新颖的图池化方法RicciPool，旨在提高图卷积神经网络（GCNNs）的效率。与主要关注拓扑信息的现有方法不同，RicciPool利用Ollivier-Ricci曲率重新加权边权重，从而纳入了更高阶的连通性。这种方法结合谱聚类，旨在从图中提取更有意义的簇。在生物信息学和社交网络数据集上的实验证明了RicciPool的有效性。
-
新的剪枝技术优化了嵌入式事件驱动视觉的GCN
研究人员开发了一种面向嵌入式事件驱动视觉系统的图卷积神经网络（GCN）的硬件感知剪枝和量化策略。该方法旨在通过减少内存使用同时保持推理精度来优化资源受限FPGA平台上的GCN模型。在CIFAR-10、MNIST-DVS和N-Caltech101等数据集上的评估表明，BRAM内存显著减少，精度下降幅度在1.65%至5.18%之间。
-
撤稿论文详述基于GCN的EEG癫痫发作检测
一项已被撤稿的研究论文提出了一种使用图卷积神经网络（GCN）应用于脑电图（EEG）信号来检测癫痫发作的框架。该方法包括将EEG信号分解为五个频带并提取特征，然后将这些特征输入GCN以模拟空间依赖性。在CHB-MIT数据集上的实验显示出高精度，尤其是在中频带，这表明与传统的宽带方法相比，可解释性和诊断精度有所提高。