基于Delaunay三角剖分的3D形状表示学习 学术背景 在计算机视觉和图形学领域，从点云数据中重建表面是一个长期存在的问题。传统的隐式方法（如Poisson表面重建）通过计算隐式函数并使用Marching Cubes算法提取表面，虽然能够生成水密（watertight）的网格，但在处理复杂结构时往往会导致细节丢失和过度平滑。另一方面，显式方法（如Delaunay三角剖分）通过点集的三角剖分直接构建网格，能够更好地保留尖锐特征和细节，但在复杂拓扑结构上推断三角形连接性仍然具有挑战性。 近年来，基于学习的方法在表面重建任务中取得了显著进展。然而，现有的学习型显式方法在处理复杂结构时仍然存在困难，尤其是在推断局部形状连接性时，容易产生伪影和非水密三角形。为了解决这些问题，本文提出了一种基于Del...

基于时空图的智能电网对抗性虚假数据注入逃逸攻击的生成与检测 背景介绍 随着现代智能电网的不断发展，电网作为一种典型的网络化信息物理系统（Cyber-Physical Systems, CPS），因其需要在不同组件之间交换大量数据，面临各种安全威胁。其中，虚假数据注入攻击（False Data Injection Attacks, FDIAs）因其能够篡改传感器数据而备受关注。攻击者可以借助这些虚假数据绕过传统的坏数据检测系统（Bad Data Detection, BDD），从而导致错误的操作决策，甚至可能使系统过载。然而，传统FDIAs相对简单，其明显的数据异常容易被数据驱动的机器学习模型检测到。 相比之下，对抗性虚假数据注入逃逸攻击（Adversarial False Data Inje...

基于图神经网络的肺癌表示学习 背景介绍 随着数字病理学的快速发展，基于图像的诊断系统在精确病理诊断中变得越来越重要。这些系统依赖于用于全切片图像（Whole Slide Images, WSIs）上的多实例学习（Multiple Instance Learning, MIL）技术。然而，如何有效表示WSIs仍然是一个亟需解决的问题。深度神经网络的出现使得视觉计算取得了突破性进展，但面对每个WSI中庞大的像素量，现有的神经网络方法仍面临巨大挑战。近年来，一些研究已经探索了基于图的模型，以期在嵌入和表示WSIs的过程中捕捉图像中的复杂关系。 文章来源 本文的研究由以下作者完成：Rukhma Aftab, Yan Qiang, Juanjuan Zhao, Zia Urrehman和Zijuan ...

基于分层负采样的图对比学习用于药物-疾病关联预测的研究 针对药物-疾病关联（RDAs）的预测在揭示疾病治疗策略和促进药物重新定位方面起着至关重要的作用。然而，现有的方法在预测药物和疾病之间的候选关联时，主要依赖于有限的领域特定知识，因而效果受限。此外，将药物-疾病关系的未知信息简单地定义为负样本存在固有不足。为克服这些挑战，本文提出了一种新的基于分层负采样的图对比模型，称为HSGCL-RDA，该模型旨在预测药物和疾病之间的潜在关联。 研究背景与研究问题 药物开发与疾病进展控制过程漫长且昂贵，而随着疾病数量及其变异的不断增加，对有效药物的需求也在增长。全球性疾病爆发（如新冠肺炎）对现有药物的治疗提出了极大挑战，迫切需要快速开发新的治疗药物。研究现有药物的新用途涉及许多挑战。现有的算法模型虽然在...

CIGNN: 基于因果关系和图神经网络的无袖带连续血压估计框架 背景介绍 根据世界卫生组织（WHO）的数据，全球约有11.3亿人受到高血压的影响，预计到2025年这一数字将增加到15亿。高血压是心血管疾病的一个重要风险因素，这包括心脏病和中风，这些都是全球主要的死亡原因。高血压的普及进一步增加了痴呆和残疾的负担，因此，预防和管理高血压对于改善全球健康结果至关重要。 连续血压（BP）测量能够为高血压的诊断和预防提供丰富的信息。通过连续监测血压，我们可以更全面地了解患者的血压模式和趋势，这可以指示是否需要治疗或调整当前的治疗方案。此外，连续血压监测相比传统间歇性血压测量有更多优势，因为血压可能会受到诸如压力、体力活动和药物依从性等因素的影响。无袖带连续血压测量利用可穿戴生理传感器的优势，能够实现...

基于知识增强的图主题Transformer在可解释生物医学文本摘要中的应用 研究背景 由于生物医学文献发表量持续增加，自动生物医学文本摘要任务变得愈加重要。2021年，仅在PubMed数据库中就发表了1,767,637篇文章。现有的基于预训练语言模型（Pre-trained Language Models，简称PLMs）的摘要方法虽然提升了摘要性能，但在捕捉领域特定知识和结果可解释性方面存在显著局限。这可能导致生成的摘要缺乏连贯性，包括冗余句子或重要领域知识的遗漏。此外，变压器模型的黑箱特性使得用户难以理解摘要生成的原因和方式，因此在生物医学文本摘要中，包含领域特定知识和可解释性对提高准确性和透明度至关重要。 研究来源 本文的论文由Qianqian Xie、Prayag Tiwari（IEE...

医学多组学数据分析中的多重先验知识图神经网络 背景介绍 精确医学是未来医疗保健的重要领域，因为它为患者提供个性化的治疗方案，从而改善治疗效果并降低成本。例如，由于乳腺癌患者存在复杂的临床、病理和分子特征，相同的治疗可能表现出不同的效果。随着生物医学技术的高速发展，疾病的表征可以通过多组学数据来实现。多组学方法相较单组学方法能够在多个数据间捕捉一致和互补的信息，从而建立更加准确和深入的模型。例如，癌症基因组图谱（The Cancer Genome Atlas, TCGA）提供了包括mRNA表达、DNA甲基化和拷贝数变异（Copy Number Variation, CNV）在内的多组学数据。因此，在精确医学的各类任务中引入多组学数据变得必要，这些任务包括药物反应预测、基因发现和生存分析等。 作...

动态图表示的时间聚合和传播图神经网络 背景介绍 动态图（temporal graph）是一种在连续时间内节点间具有动态交互的图结构，图的拓扑结构随时间的推移不断演变。这种动态变化让节点在不同时刻展现出变化的偏好，这对捕捉用户偏好和检测异常行为非常关键。然而，现有的研究通常采用有限邻居生成动态表示，这不仅降低了性能，还引发了高延迟的在线推断问题。为了应对这些挑战，本文提出了一种全新的时间图卷积方法，即时间聚合和传播图神经网络（Temporal Aggregation and Propagation Graph Neural Networks，简称TAP-GNN）。该方法通过展开时间图以消息传递的姿态分析了动态表示问题的计算复杂度，并设计了一个聚合和传播模块（AP block），有效减少了历史邻...

知识增强图神经网络用于可解释推荐 导言 随着线上信息爆炸式的增长，推荐系统在解决信息超载问题方面发挥着重要作用。传统推荐系统通常依赖协同过滤（Collaborative Filtering，简称CF）方法，这些方法依据用户的历史记录生成推荐。CF方法主要分为记忆型和模型型技术。记忆型方法包括基于用户和基于项目的CF，而模型型方法通过学习模型，例如矩阵分解来进行推荐。近年来，深度学习技术在信息检索和推荐系统研究中展现出了极高的有效性。许多基于深度学习的推荐方法取得了高推荐性能。然而，尽管这些方法在推荐准确性上表现出色，它们缺乏决策过程的可解释性和透明性。为了提升推荐系统的透明性和用户满意度，解释性推荐的研究逐渐受到关注。解释性推荐不仅使推荐更加透明和可解释，还提升了系统的可信度和用户满意度。 ...

基于图的无采样知识图谱增强推荐 近年来，知识图谱（Knowledge Graph, KG）增强推荐系统，旨在解决冷启动问题和推荐系统的可解释性，已经吸引了大量的研究兴趣。现有的推荐系统通常侧重于隐式反馈，如购买历史记录，但缺乏负反馈。大多数系统采用负采样策略处理隐式反馈数据，这可能忽略了潜在的正用户-项目交互。而其他一些工作则采用无采样策略，将所有未观察到的交互视为负样本，并为每个负样本分配权重，以表示该样本为正样本的概率。然而，这些方法使用简单直观的权重分配策略，不能捕捉所有交互数据中的潜在关系。 研究背景与动机 随着互联网的快速发展，信息超载的问题日益严重。为了提高用户的搜索体验并增加产品供应商的收入，推荐系统应运而生，并在电子商务、社交网络等多个应用中取得了巨大成功。近年来，作为内容信...