Graph transformer neural network force field for prediction of atomic forces and energies in molecular dynamic simulations
PulseAugur coverage of Graph transformer neural network force field for prediction of atomic forces and energies in molecular dynamic simulations — every cluster mentioning Graph transformer neural network force field for prediction of atomic forces and energies in molecular dynamic simulations across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的图学习框架增强了皮肤病变分类能力
研究人员开发了一种新的基于区域的图学习框架，用于皮肤病变分类，解决了区分良性和恶性病例的挑战。该方法将病变建模为超像素区域的图，将几何关系和患者元数据直接纳入图结构。该框架利用边缘感知图变换器来更新节点表示，并获得用于分类的最终图级嵌入，与现有的CNN/ViT流程相比，性能有所提高。
-
新的图Transformer改进了图模型的推理
研究人员开发了上下文图推理（ICG-I），一种新颖的自回归图Transformer，旨在改进离散图模型的边际推理。该新方法使用学习到的、张量-链压缩的中间因子来模拟变量消除过程。ICG-I旨在克服精确算法的可扩展性限制以及信念传播等近似方法的收敛问题，并在各种基准测试中取得了最先进的性能。
-
新的AI模型整合空间组学数据以获得生物学见解
研究人员开发了HEIST，一种用于分析空间转录组学和蛋白质组学数据的分层图Transformer模型。该模型将组织表示为分层图，同时捕获空间细胞关系和内部基因表达网络。HEIST在来自不同器官的大量细胞数据集上进行了预训练，证明了其对新数据类型的泛化能力，并在临床结果预测和细胞类型注释等任务中取得了最先进的性能。另一项研究介绍了STAMP，一个利用空间转录组学指导病理学基础模型，通过将转录组学数据对齐到功能通路来增强其从组织学图像推断…
-
新的GPU内核通过优化内存访问提升GNN性能
研究人员开发了新的GPU内核，通过解决内存访问瓶颈来优化图神经网络（GNN）。这些内核旨在减少数据移动并提高三种主要GNN层族的局部性：基于SpMM的卷积、基于归约的聚合以及基于注意力的层。这些实现提供了显著的加速，其中一些注意力内核的性能提高了8.5倍，并大幅减少了内存占用。
-
新框架将群体意图建模为合作博弈，使用NLP
研究人员开发了一个新颖的框架，该框架利用自然语言处理（NLP）技术将群体轨迹意图建模为合作博弈。该方法通过合作博弈的特征函数来形式化群体意图，并使用Shapley值等方法确定分配。然后，该框架生成反映此意图的协调时空轨迹，并采用图变换器神经网络（GTNN）从观测数据中推断群体意图，将目标跟踪与意图推断相结合。
-
新的图变换器模型在肺部炎症分类中实现高精度
一篇研究论文介绍了一种新颖的深度学习架构，用于通过胸部 X 光片对矽肺和肺炎进行分类。该方法将图变换器网络与传统的深度神经网络相结合，并采用平衡交叉熵损失函数。在一个新策划的数据集 SVBCX 上，这些模型的集成实现了 0.9749 的宏 F1 分数和每个类别的 AUC ROC 分数超过 0.99。