Predicting Alzheimer's disease: a neuroimaging study with 3D convolutional neural networks
Imperial College London（帝国理工学院）；King’s College London（伦敦国王学院）
近年来，使用神经成像数据诊断阿尔茨海默病的模式识别方法已经成为广泛研究的主题。在本文中，我们使用深度学习方法，特别是稀疏自编码器和3D卷积神经网络，来构建一种算法，该算法可以基于大脑的MRI扫描来预测患者的疾病状态。我们报告使用ADNI数据集的实验，涉及2,265个历史扫描。我们证明了3D卷积神经网络优于文献中报道的其他几种分类器，并产生最先进的结果。
2015-02-09 cs.CV cs.LG stat.AP
Predicting tongue motion in unlabeled ultrasound videos using convolutional LSTM neural network
Tsinghua University（清华大学）；University of Science and Technology of China（中国科学技术大学）；University of Michigan（密歇根大学）；Columbia University in the City of New York（纽约哥伦比亚大学）；National University of Defense Technology（国防科技大学）
言语产生研究的一个挑战是根据过去的一小段时间的舌头运动来预测未来的舌头运动。本研究利用卷积长短期记忆（ConvLSTM）网络解决了未标记超声视频中说话者相关的舌头运动预测问题。该模型已在两个不同的超声语料库进行了测试。ConvLSTM在基于8个先前帧预测9个\textsuperscript{th}帧方面优于3维卷积神经网络（3DCNN），并且还表现出仅预测未来帧中的舌头轮廓的良好能力。进一步的测试表明，ConvLSTM还可以学习预测紧随其后的帧之外的更远帧中的舌头运动。我们的代码可在https://github.com/shuiliwanwu/ConvLstm-ultrasound-videos上获得。
2019-02-19 cs.CV cs.LG cs.MM
POP-CNN: Predicting Odor's Pleasantness with Convolutional Neural Network
Guangdong University of Technology（广东工业大学）；The Open University of Hong Kong（香港公开大学）
气味宜人性的预测简化了气味的评价，在香料和环境监测行业具有潜在的应用价值。传统的气味宜人度预测算法一般采用人工特征提取和独立分类器。依靠专家的知识和经验手工设计一个好的特征提取器是算法准确性的关键。为了克服这一困难，我们提出了一种基于卷积神经网络的气味宜人度预测模型。在我们的模型中，卷积神经层取代了手动特征提取器，表现出更好的性能。实验结果表明，该模型与人的愉悦度评价的相关性在90%以上。我们的模型在区分绝对令人愉快或不愉快的气味方面具有99.9%的准确性。
2019-03-19 cs.LG stat.ML
Convolutional Mixture Density Recurrent Neural Network for Predicting User Location with WiFi Fingerprints
使用WiFi指纹预测智能手机用户活动是近年来室内定位的流行方法。然而，这样的高维时间序列预测问题可能非常棘手。为了解决这个问题，我们提出了一种新的深度学习模型，卷积混合密度循环神经网络（CMDRNN），它结合了卷积神经网络，递归神经网络和混合密度网络的优势。在我们的模型中，CNN子模型用于检测高维输入的特征，RNN子模型用于捕获时间依赖性，MDN子模型用于预测最终输出。为了验证该方法的有效性，我们在真实数据集上进行了实验，实验结果表明了该方法的有效性。
2019-11-21 cs.LG eess.SP stat.ML
Predicting Landslides Using Locally Aligned Convolutional Neural Networks
University of British Columbia（英属哥伦比亚大学）；Minerva Intelligence
滑坡是在重力影响下的土壤和岩石运动，是每年造成重大人员和经济损失的常见现象。专家们利用诸如坡度、海拔、土地覆盖、岩性、岩石年龄和岩石家族等异质特征来预测滑坡。为了处理这些特征，我们调整了卷积神经网络，以考虑预测任务的相对空间信息。这些网络中的传统滤波器要么具有固定的方向，要么是旋转不变的。直觉上，过滤器应该面向上坡，但没有足够的数据来学习上坡的概念;相反，它可以作为先验知识提供。我们提出了一个模型，称为局部对齐的卷积神经网络，LACNN，以下的地面在多个尺度预测可能发生的滑坡的一个点。为了验证我们的方法，我们创建了一个标准化的地理参考图像数据集，其中包含作为输入的异质特征，并将我们的方法与几个基线进行了比较，包括线性回归，神经网络和卷积网络，使用对数似然误差和测试集上的接收器操作特征曲线。与其他建议的基线相比，我们的模型在准确性方面提高了2-7%，在对数似然方面提高了2-15%。
2020-07-17 cs.CV cs.LG
Predicting Semen Motility using three-dimensional Convolutional Neural Networks
School of Computer Engineering, KIIT（KIIT计算机工程学院）
手动和计算机辅助方法进行精液分析是耗时的，需要大量的培训，并容易出现人为错误。使用经典的机器学习和基于深度学习的方法，使用视频进行精液分析，取得了良好的效果。最先进的方法使用常规卷积神经网络对所提供样本的视频进行质量评估。在本文中，我们提出了一种改进的基于深度学习的方法，使用三维卷积神经网络从精液样本的显微视频中预测精子活力。我们利用VISEM数据集，包括从85名参与者收集的精液样本的视频和表格数据。我们能够从显著更少的数据点获得良好的结果。我们的模型表明，基于深度学习的自动精液分析可能成为生育和IVF实验室中有价值的有效工具。
2021-01-14 cs.CV cs.LG eess.IV
Interpreting convolutional networks trained on textual data
Oklahoma State University（俄克拉荷马州立大学）
由于深度学习的出现，人工智能领域取得了许多进展。在几乎所有的子领域，人工神经网络都达到或超过了人类水平的性能。然而，大多数模型是不可解释的。因此，很难相信他们的决定，特别是在生死场景中。近年来，出现了一种创建可解释的人工智能的运动，但迄今为止大多数工作都集中在图像处理模型上，因为人类更容易感知视觉模式。在其他领域，如自然语言处理，几乎没有什么工作。在本文中，我们训练一个卷积模型的文本数据和分析的全局逻辑模型，通过研究其过滤值。最后，我们找到语料库中对我们的模型逻辑最重要的词，并删除其余的词（95%）。仅使用5%最重要的单词训练的新模型可以实现与原始模型相同的性能，同时将训练时间减少一半以上。这样的方法将帮助我们理解NLP模型，根据他们的单词选择解释他们的决定，并通过发现盲点和偏见来改进它们。
2020-10-20 cs.AI cs.CL cs.LG
DNA-GCN: Graph convolutional networks for predicting DNA-protein binding
Peking University（北京大学）；Alibaba Group（阿里巴巴集团）；Damo Academy（达摩院）
预测DNA-蛋白质结合是生物信息学中的一个重要而经典的问题。卷积神经网络在模拟DNA-蛋白质结合的序列特异性方面优于传统方法。然而，没有一项研究利用图卷积网络进行模体推理。在这项工作中，我们建议使用图卷积网络进行主题推理。我们基于k-mer共现和k-mer序列关系构建整个数据集的序列k-mer图，然后学习整个数据集的DNA图卷积网络（DNA-GCN）。我们的DNA-GCN初始化为所有节点的one-hot表示，然后它联合学习k-mers和序列的嵌入，由序列的已知标签监督。我们在ENCODE的50个数据集上评估了我们的模型。DNA-GCN与基线模型相比显示出其竞争性性能。此外，我们分析了我们的模型，并设计了几种不同的架构，以帮助适应不同的数据集。
2021-06-02 cs.LG q-bio.GN
Predicting Sleeping Quality using Convolutional Neural Networks
Northumbria University（诺森比亚大学）
识别睡眠阶段和模式是诊断和治疗睡眠障碍的重要组成部分。随着智能技术的进步，可以轻松捕获与睡眠模式相关的传感器数据。在本文中，我们提出了一个卷积神经网络（CNN）架构，提高了分类性能。特别是，我们在3个公开的睡眠数据集上对不同方法的分类性能进行了基准测试，包括传统的机器学习方法，如逻辑回归（LR），决策树（DT），k-最近邻（k-NN），朴素贝叶斯（NB）和支持向量机（SVM）。准确性，灵敏度，特异性，精确度，召回率和F分数的报告，并将作为一个基线，以模拟在这个方向的研究在未来。
2022-04-24 cs.AI cs.CV cs.LG
Rules of the Road: Predicting Driving Behavior with a Convolutional Model of Semantic Interactions
Zoox（Zoox公司）；Caltech（加州理工学院）
我们专注于在复杂的，现实世界的驾驶场景中预测实体的未来状态的问题。以前的研究使用低级别信号来预测短时间范围，并且没有解决如何利用行业自动驾驶系统严重依赖的关键资产：（1）大型3D感知工作，提供具有丰富属性的智能体的高度准确的3D状态，以及（2）详细准确的环境语义地图（车道，交通灯，人行横道等）。我们提出了一种统一的表示，它在空间网格中编码这种高级语义信息，允许使用深度卷积模型来融合复杂的场景上下文。这使得学习实体-实体和实体-环境交互能够在代理行为的整体时间模型内的每个时间步中进行简单的前馈计算。我们提出了不同的方法来模拟未来的分布在未来的状态，使用标准的监督学习。我们引入了一个新的数据集，提供了行业级的丰富感知和语义输入，并通过经验表明，我们可以有效地学习驾驶行为的基本原理。
2019-06-21 cs.CV cs.LG cs.RO
Deep Convolutional Neural Networks for predicting highest priority functional group in organic molecules
Dhirubhai Ambani Institute of Information & Communication Technology（迪鲁巴希·阿姆巴尼信息与通信技术研究所）
本文提出利用深度卷积神经网络预测有机分子中最高优先级的功能基团，通过对比支持向量机等方法，验证了CNN的优越性。
2026-03-25 cs.AI cs.LG
Where's the Question? A Multi-channel Deep Convolutional Neural Network for Question Identification in Textual Data
University of Waterloo（滑铁卢大学）
在大多数临床实践环境中，没有对临床文件进行严格审查，导致患者病历中采集的信息不准确。临床数据采集的黄金标准是通过“专家评审”实现的，临床医生可以与领域专家（评审员）进行对话，并向他们询问有关数据录入规则的问题。在这些对话中自动识别“真正的问题”可以发现在给定的临床环境中数据捕获中的模糊性或常见问题。在这项研究中，我们提出了一种新的多通道深度卷积神经网络架构，即Quest-CNN，目的是将期望关于问题的答案（信息或帮助）的真实问题与不是问题的句子分开，以及与附近句子中提到的问题（例如，你能解释一下吗？）我们称之为“C问题”我们对所提出的多通道深度卷积神经网络与其他深度神经网络进行了全面的性能比较分析。此外，我们评估了传统的基于规则和基于学习的方法来检测问题句的性能。所提出的Quest-CNN在透析护理设置中的数据录入-审查对话的数据集和一般域数据集上都获得了最佳F1分数。
2020-10-15 cs.CL cs.LG
Attention based convolutional neural network for predicting RNA-protein binding sites
Erasmus Medical Center（伊拉斯姆斯医学中心）；IBM Research（IBM研究院）
RNA结合蛋白（RNA binding proteins，RBP）在基因调控等许多生物学过程中起着重要作用。RNA上RBP结合位点的计算机识别是一个迫切需要解决的问题。特别地，RBP通过识别序列基序与RNA结合。因此，快速定位RNA序列上的这些基序对于确定RNA是否与RBP相互作用是至关重要的，并且是时间有效的。在这项研究中，我们提出了一个基于注意力的卷积神经网络，iDeepA，从原始RNA序列预测RNA-蛋白质结合位点。我们首先将RNA序列编码成one-hot编码。接下来，我们设计了一个具有卷积神经网络（CNN）和注意力机制的深度学习模型，该模型自动搜索重要位置，例如结合基序，以学习用于预测RBP结合位点的判别性高级特征。我们在来自CLIP-seq数据的公开金标准RBP结合位点上评估iDeepA。结果表明，iDeepA实现了与其他最先进方法相当的性能。
2017-12-06 cs.LG q-bio.GN stat.ML
Convolutional versus Dense Neural Networks: Comparing the Two Neural Networks Performance in Predicting Building Operational Energy Use Based on the Building Shape
Texas A&M University（德克萨斯A&M大学）
针对建筑形状影响运行能耗的预测需求，对比DNN与CNN两种神经网络的适用性，发现DNN在性能、简洁性和计算时间上更优，而基于图像的CNN利于设计沟通。
2021-08-29 cs.LG
Predicting galaxy spectra from images with hybrid convolutional neural networks
Space Telescope Science Institute（太空望远镜科学研究所）；Johns Hopkins University（约翰斯·霍普金斯大学）
半导体激光器可以通过其光谱的特征（例如氧发射线）或形态特征（例如螺旋臂）来描述。虽然光谱学提供了一个丰富的描述的物理过程，管理星系的演化，光谱数据是昂贵的观测获得。这是第一次，我们能够直接从宽带成像中稳健地预测星系光谱。我们提出了一种强大的新方法，使用混合卷积神经网络进行反卷积，而不是批量归一化;这种混合CNN在我们的测试中优于其他模型。星系成像和光谱之间的映射对于未来的宽场调查将是变革性的，例如Vera C。鲁宾天文台和南希格雷斯罗马太空望远镜，通过乘以光谱有限的星系样本的科学回报。
2020-11-30 astro-ph.GA astro-ph.IM cs.CV
Learning Convolutional Text Representations for Visual Question Answering
Washington State University（华盛顿州立大学）
视觉问答是最近提出的一项人工智能任务，需要对图像和文本都有深入的理解。在深度学习中，图像通常通过卷积神经网络建模，文本通常通过递归神经网络建模。虽然对图像建模的要求类似于传统的计算机视觉任务，例如对象识别和图像分类，但与其他自然语言处理任务相比，视觉问答对文本表示提出了不同的需求。本文对视觉问答中的自然语言问句进行了详细的分析。基于分析，我们建议依靠卷积神经网络学习文本表示。通过探索专门用于文本数据的卷积神经网络的各种属性，例如宽度和深度，我们提出了我们的“CNN Inception + Gate”模型。我们表明，我们的模型提高了问题的表示，从而提高了视觉问答模型的整体准确性。我们还表明，在视觉问答的文本表示的要求是更复杂和全面的比传统的自然语言处理任务，使它成为一个更好的任务，以评估文本表示方法。像fastText这样的浅层模型可以在文本分类等任务中获得与深度学习模型相当的结果，但不适合视觉问答。
2018-04-18 cs.CL cs.LG cs.NE
Predicting travel demand of a bike sharing system using graph convolutional neural networks
School of Civil Engineering, KNTU（KNTU土木工程学院）
本研究针对共享单车系统站点级出行需求预测问题，提出融合多源数据的门控图卷积神经网络混合模型，经芝加哥案例验证性能优于基准模型，可辅助交通规划决策。
2024-08-18 cs.LG
Predicting the Stay Length of Patients in Hospitals using Convolutional Gated Recurrent Deep Learning Model
Canberra Health Services（堪培拉卫生服务局）；Canberra Hospital（堪培拉医院）；Torrens University Australia（澳大利亚托伦斯大学）；The Australian National University（澳大利亚国立大学）；Australian National University（澳大利亚国立大学）
本研究提出结合CNN、GRU和全连接网络的混合深度学习模型预测住院时长，在10折交叉验证中准确率达89%，优于11种机器学习方法，助力医院优化资源配置。
2024-09-26 cs.LG cs.NE
Graph convolutional network for predicting abnormal grain growth in Monte Carlo simulations of microstructural evolution
本研究针对异常晶粒生长的随机性预测难题，构建大型蒙特卡洛模拟数据集，用图卷积网络预测初始微观组织的异常生长，准确率达73%且优于计算机视觉方法，还提供了物理见解与不确定性分析参考。
2024-07-11 cond-mat.mtrl-sci cs.LG
Predicting Citywide Crowd Flows in Irregular Regions Using Multi-View Graph Convolutional Networks
JD Intelligent Cities Research（京东智能城市研究院）；JD Intelligent Cities Business Unit, JD Digits（京东数字科技智能城市业务部）；Institute of Artificial Intelligence, Southwest Jiaotong University（西南交通大学人工智能研究院）；Xidian University（西安电子科技大学）；National University of Singapore（新加坡国立大学）
能够预测城市各个部分，特别是不规则区域的人群流量，对于交通控制、风险评估和公共安全具有重要的战略意义。然而，由于不同区域之间的相互作用和空间相关性，这是非常具有挑战性的。此外，它还受到许多因素的影响：i）不同时间间隔之间的多重时间相关性：接近度，周期，趋势; ii）复杂的外部影响因素：天气，事件; iii）元特征：一天中的时间、一周中的日期等等。在本文中，我们将不规则区域中的人群流量预测公式化为时空图（STG）预测问题，其中每个节点表示具有时间的区域，不同的流量。通过扩展图卷积来处理空间信息，我们提出了使用空间图卷积来构建多视图图卷积网络（MVGCN）的人群流量预测问题，其中不同的视图可以捕获不同的因素，如上所述。我们评估MVGCN使用四个真实世界的数据集（出租车和自行车）和广泛的实验结果表明，我们的方法优于国家的最先进的方法的适应。我们还开发了一个适用于不规则区域的人群流量预测系统，现在可以在内部使用。
2020-07-17 cs.CV cs.LG
A Comparative Study of Using Spatial-Temporal Graph Convolutional Networks for Predicting Availability in Bike Sharing Schemes
Dublin City University（都柏林城市大学）
准确的交通需求预测是有效的城市交通诱导、控制和管理的关键。提高预测准确度水平的一种解决方案是利用图卷积网络（GCN），这是一种基于神经网络的建模方法，具有处理包含在基于图的结构中的数据的能力。时空图卷积网络（ST-GCN）作为GCN的一个强大扩展，旨在捕获图形节点中包含的数据在空间和时间维度上的关系，这为复杂时间序列数据的分析提供了一种新的深度学习范式，其中还涉及交通用例中存在的空间信息。在本文中，我们提出了一个基于注意力的ST-GCN（AST-GCN）的预测在城市的自行车共享系统中的可用自行车的数量，其中基于注意力的机制，以进一步提高性能的ST-GCN。此外，我们还讨论了不同的邻接矩阵的建模方法对所提出的架构的影响。我们的实验结果使用两个真实世界的数据集，Dublinbikes和NYC-Citi Bike，来说明我们提出的模型的有效性，它优于大多数现有的方法。
2021-07-07 cs.LG cs.SY eess.SY
Predicting Biomedical Interactions with Higher-Order Graph Convolutional Networks
Rochester Institute of Technology（罗切斯特理工学院）；Thomas H. Gosnell School of Life Sciences（托马斯·H·戈斯内尔生命科学学院）
生物医学相互作用网络在预测生物学意义的相互作用、识别疾病的网络生物标志物以及发现推定的药物靶点方面具有令人难以置信的潜力。最近，图神经网络已经被提出来有效地学习生物医学实体的表示，并在生物医学相互作用预测方面取得了最先进的成果。这些方法只考虑直接邻居的信息，但不能从不同距离的邻居中学习到一般的混合特征。在本文中，我们提出了一个高阶图卷积网络（HOGCN）聚合信息从高阶邻域的生物医学相互作用预测。具体来说，HOGCN收集不同距离处邻居的特征表示，并学习它们的线性混合，以获得生物医学实体的信息表示。在蛋白质-蛋白质、药物-药物、药物-靶标和基因-疾病相互作用等四个相互作用网络上的实验表明，HOGCN实现了更准确和校准的预测。HOGCN表现良好的噪声，稀疏的相互作用网络时，在不同距离的邻居的特征表示被认为是。此外，一组新的相互作用的预测验证了基于文献的案例研究。
2020-10-16 cs.LG
Predicting Network Controllability Robustness: A Convolutional Neural Network Approach
City University of Hong Kong（香港城市大学）；Shanghai Jiao Tong University（上海交通大学）
网络可控性衡量的是网络系统被控制到目标状态的程度，而鲁棒性则反映了网络系统对于通过节点删除或边删除等方式进行的恶意攻击的可控性。网络可控性的度量通过在发生意外攻击后恢复或保持可控性所需的外部控制输入的数量来量化。另一方面，网络可控性鲁棒性的度量是通过一系列值来量化的，这些值记录了一系列攻击后网络的剩余可控性。传统上，可控性鲁棒性是通过攻击模拟来确定的，这是计算耗时的。本文提出了一种基于机器学习的卷积神经网络可控性鲁棒性预测方法，其动机是：1）一般网络的拓扑特征与可控性鲁棒性之间没有明显的相关性，2）网络的邻接矩阵可以看作是灰度图像，以及3）卷积神经网络技术已经证明在没有人为干预的图像处理中是成功的。在新的框架下，利用大量仿真产生的训练数据，根据输入的网络邻接矩阵训练卷积神经网络，预测可控性鲁棒性，而不需要进行传统的攻击仿真。大量的实验研究表明，所提出的框架预测不同的网络配置的可控性鲁棒性是准确和可靠的，非常低的开销。
2020-09-14 cs.LG cs.SY eess.SY
Predicting the Performance of Graph Convolutional Networks with Spectral Properties of the Graph Laplacian
本文发现图的Fiedler值（代数连通性）能有效预测GCN性能，并在合成及真实数据集上验证，为GCN层数选择和迁移学习提供指导。
2025-09-10 cs.LG
Predicting Aircraft Trajectories: A Deep Generative Convolutional Recurrent Neural Networks Approach
University of California, Berkeley（加州大学伯克利分校）
可靠的4D飞行器轨迹预测，无论是在实时环境中还是用于反事实分析，对航空系统的效率都很重要。为此，我们首先提出了一个高度概括的高效的基于树的匹配算法，从高保真气象数据集-风，温度和对流天气构造图像般的特征地图。然后，我们将轨迹上的轨迹点建模为条件高斯混合，其中参数将从我们提出的深度生成模型中学习，该模型是一个端到端卷积递归神经网络，由长短期记忆（LSTM）编码器网络和混合密度LSTM解码器网络组成。编码器网络将最后一个字段的飞行计划信息嵌入到固定大小的隐藏状态变量中，并馈送给解码器网络，解码器网络进一步从历史飞行轨迹中学习时空相关性，并输出高斯混合的参数。卷积层被集成到管道中，以从高维天气特征中学习表示。在推理过程中，束搜索，自适应卡尔曼滤波器，和Rauch-Tung-Striebel平滑算法被用来修剪生成的轨迹的方差。
2018-12-31 cs.LG stat.ML
DS-HGCN: A Dual-Stream Hypergraph Convolutional Network for Predicting Student Engagement via Social Contagion
Southwest University, Chongqing, 400715, China（西南大学）；Chongqing Academy of Science and Technology, Chongqing, China（重庆科学技术研究院）
DS-HGCN通过双流超图卷积网络结合社会传染机制，实现对学生参与度的多维特征建模与预测，优于现有方法。
2025-12-23 cs.LG cs.MM
CLVSA: A Convolutional LSTM Based Variational Sequence-to-Sequence Model with Attention for Predicting Trends of Financial Markets
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
金融市场是一个复杂的动力系统。这种复杂性来自于市场与参与者之间的相互作用，即市场整体参与者活动的综合结果决定了市场的走势，而市场走势又影响着参与者的活动。这些相互交织的相互作用使得金融市场不断发展。受随机递归模型的启发，该模型成功地捕获了在语音和视频等自然序列数据中观察到的可变性，我们提出了CLVSA，这是一种混合模型，由随机递归网络，序列到序列架构，自我和相互注意机制以及卷积LSTM单元组成，以捕获原始金融交易数据中的可变基础特征。基于2010年1月至2017年12月的六个期货的回测结果，我们的模型优于基本模型，如卷积神经网络，香草LSTM网络和带注意力的序列到序列模型。我们的实验结果表明，通过引入一个近似后验，CLVSA利用一个额外的正则化的基础上Kullback-Leibler分歧，以防止自己过拟合陷阱。
2021-04-08 cs.LG q-fin.CP q-fin.ST
Tehran Stock Exchange Prediction Using Sentiment Analysis of Online Textual Opinions
Shahid Beheshti University（沙希德·贝赫什提大学）
在本文中，我们首次研究了社交媒体数据在预测德黑兰证券交易所（TSE）变量方面的影响。我们考虑了三种不同股票的收盘价和日收益率。我们从Sahamyab.com/stocktwits收集了大约三个月的社交媒体数据。为了从在线评论中提取信息，我们提出了一种混合的情感分析方法，结合了基于词典和基于学习的方法。由于波斯语的词汇是不实用的情绪分析在股票市场域，我们建立了一个特定的情绪词汇，这个域。在使用评论的情绪设计和计算每日情绪指数后，我们研究了它们对仅使用历史市场数据的基线模型的影响，并使用多元回归分析提出了新的预测模型。除了情感，我们还考察了评论量和用户的可靠性。我们的结论是，在东京证交所的各种股票的可预测性是不同的，这取决于他们的属性。此外，我们指出，对于预测收盘价只有评论量和预测每日回报的数量和情绪的评论可能是有用的。我们证明了用户的信任系数对三种股票有不同的行为。
2019-09-27 cs.CL cs.LG q-fin.ST
Predicting Drug Solubility Using Different Machine Learning Methods -- Linear Regression Model with Extracted Chemical Features vs Graph Convolutional Neural Network
Harvard University（哈佛大学）；University of California, Berkeley（加州大学伯克利分校）；Carlmont High School（卡尔蒙特高中）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
本研究比较了线性回归模型与图卷积神经网络在药物溶解度预测中的表现，发现GCNN性能更优但可解释性有限，而线性回归可通过特征重要性分析揭示原子和官能团对溶解度的影响。
2024-01-05 cs.LG q-bio.QM
Atomic Convolutional Networks for Predicting Protein-Ligand Binding Affinity
Stanford University（斯坦福大学）；Stanford University School of Medicine（斯坦福大学医学院）
在药物发现的早期阶段，广泛使用基于分子力场或化学信息学描述符的经验评分函数与分子对接，以预测药物样分子对给定靶标的效力和结合亲和力。这些模型需要将物理化学和生物学的专家级知识编码为手动调整的参数或特征，而不是允许基础模型在数据驱动的过程中选择特征。在这里，我们开发了一个通用的三维空间卷积运算，用于直接从原子坐标学习原子级化学相互作用，并展示了其在基于结构的生物活性预测中的应用。训练原子卷积神经网络，以通过直接计算与给定结合位姿的晶体结构的复合物、蛋白质和配体相关的能量来预测蛋白质-配体复合物的实验确定的结合亲和力。识别在蛋白质-配体子结构中不存在的复合物中存在的非共价相互作用，并且模型学习与这些特征相关的相互作用强度。我们通过预测在PDBBind数据集中发现的蛋白质-配体复合物的子集的结合自由能来测试我们的模型，并与最先进的化学信息学和基于机器学习的方法进行比较。我们发现，所有方法都达到了实验精度，并且原子卷积网络的性能优于或优于基于化学信息学的方法。与之前所有的蛋白质-配体预测系统不同，原子卷积网络是端到端的，完全可微的。它们代表了一种新的数据驱动的、基于物理的深度学习模型范式，为未来基于结构的生物活性预测的改进提供了坚实的基础。
2017-03-30 cs.LG physics.chem-ph stat.ML
Predicting Transonic Flowfields in Non-Homogeneous Unstructured Grids Using Autoencoder Graph Convolutional Networks
University of Southampton（南安普顿大学）；Zurich University of Applied Sciences ZHAW（苏黎世应用科技大学）；Federal Institute of Technology Zurich ETHZ（苏黎世联邦理工学院）
本文提出 Autoencoder GCN 架构，利用几何深度学习处理 CFD 非均匀非结构化网格，并通过机翼与机翼—机身案例验证其跨音速流场降阶预测能力。
2024-05-07 cs.CE cs.LG
TactileGCN: A Graph Convolutional Network for Predicting Grasp Stability with Tactile Sensors
University of Alicante（阿利坎特大学）
触觉传感器在与物体交互期间提供有用的接触数据，其可用于准确地学习以确定抓握的稳定性。文献中的大多数作品将触觉读数表示为普通特征向量或矩阵状触觉图像，使用它们来训练机器学习模型。在这项工作中，我们探索了一种利用触觉信息来预测把握稳定性的替代方法，通过利用触觉数据的图形表示，它保留了传感器的taxels及其位置的实际空间布置。在实验中，我们训练了一个图神经网络来对抓取进行二进制分类，分为稳定抓取和滑动抓取。为了训练这样的网络并证明其对手头问题的预测能力，我们捕获了一个新的数据集，其中包含41个对象的大约5000个三指抓握用于训练，以及10个未知对象的1000个抓握用于测试。我们的实验证明，这种新的方法可以有效地用于预测把握稳定性。
2019-01-18 cs.LG cs.RO stat.ML
Predicting the Stability of Hierarchical Triple Systems with Convolutional Neural Networks
Okinawa Institute of Science and Technology（冲绳科学技术大学院大学）；Research Center for the Early Universe, School of Science, The University of Tokyo（东京大学理学部早期宇宙研究中心）
由于其固有的混沌性质，理解分层三重系统的长期演化是具有挑战性的，并且需要计算昂贵的模拟。在这里，我们提出了一个卷积神经网络模型来预测层次三元组的稳定性，通过观察它们在第一个$5 \times 10^5$内部二元轨道的演变。我们采用正则化的少体代码TSUNAMI来模拟$5\times 10^6$层次三元组，从中我们生成一个大型的训练和测试数据集。我们开发了十二种不同的网络配置，使用不同的三重轨道元素的组合，并比较它们的性能。我们的最佳模型使用6个时间序列，即半长轴比，内外偏心率，相互倾斜和近心角。该模型实现了超过$95\%$的曲线下面积，并提供了研究三重系统稳定性的相关参数。所有的训练模型都是公开的，允许预测分层三元系统的稳定性比纯$N$体方法快$200$倍。
2022-09-01 astro-ph.EP astro-ph.SR cs.LG
Deep Graph Convolutional Network and LSTM based approach for predicting drug-target binding affinity
Indian Association for the Cultivation of Science（印度科学培育协会）
开发新药是一个昂贵而耗时的过程。由于SARS-CoV-2在全球范围内的爆发，必须尽快开发针对SARS-CoV-2的新药。药物再利用技术可以通过探测现有FDA批准的药物及其特性来减少开发新药所需的时间跨度，以将其重新用于对抗新疾病。我们提出了一种新的架构DeepGLSTM，这是一种基于图卷积网络和LSTM的方法，可以预测FDA批准的药物与SARS-CoV-2病毒蛋白之间的结合亲和力值。我们提出的模型已经在Davis，KIBA（激酶抑制剂生物活性），DTC（药物靶点共享），Metz，ToxCast和STITCH数据集上进行了训练。我们使用我们的新架构来预测2，304种FDA批准的药物对5种病毒蛋白的综合评分（使用Davis和KIBA评分计算）。根据综合评分，我们列出了对SARS-CoV-2中存在的5种病毒蛋白具有最高结合亲和力的前18种药物。随后，该清单可用于创造新的有用药物。
2022-01-18 cs.LG q-bio.QM
Predicting Flight Delay with Spatio-Temporal Trajectory Convolutional Network and Airport Situational Awareness Map
Royal Melbourne Institute of Technology（皇家墨尔本理工大学）；DATA61 / CSIRO（澳大利亚联邦科学与工业研究组织数据61研究所）；Australian National University（澳大利亚国立大学）
为了准确地建模和预测航班延误，利用机场停机坪区域的各种车辆轨迹和上下文传感器数据至关重要。这些异构传感器数据，如果建模正确，可以用来生成态势感知地图。现有技术将传统的监督学习方法应用于历史数据、上下文特征和不同机场之间的航线信息来预测航班延误是不准确的，并且只能预测到达延误而不能预测起飞延误，这对航空公司来说是必不可少的。在本文中，我们提出了一种基于视觉的解决方案，以实现较高的预测精度，适用于机场。我们的解决方案利用机场态势感知地图的快照，其中包含飞机的各种轨迹和上下文特征，如天气和航班时刻表。我们提出了一个端到端的深度学习架构TrajCNN，它可以从态势感知地图中捕获空间和时间信息。此外，我们发现，态势感知地图的机场有一个重要的影响，估计航班起飞延误。我们提出的框架在预测洛杉矶国际机场的航班起飞延误方面取得了良好的效果（误差约为18分钟）。
2021-05-19 cs.AI cs.DC cs.LG
Predicting origin-destination ride-sourcing demand with a spatio-temporal encoder-decoder residual multi-graph convolutional network
The Hong Kong University of Science and Technology（香港科技大学）；University of Michigan（密歇根大学）；Didi Chuxing（滴滴出行）
随着移动互联网技术的快速发展，按需叫车服务越来越受欢迎，并在很大程度上重塑了人们的出行方式。需求预测是网约车平台供需管理系统中最基本的组成部分之一。通过对起讫点（OD）需求的准确短期预测，平台可以在实时匹配、空闲车辆重新分配和共乘车辆路径等方面做出准确及时的决策。与许多先前研究所研究的基于区域的需求预测相比，基于OD的需求预测更具挑战性。这主要是由于不同OD对需求之间复杂的空间和时间依赖性。为了克服这一挑战，我们提出了时空编码器-解码器残差多图卷积网络（ST-ED-RMGC），这是一种新型的深度学习模型，用于预测各种OD对的乘车需求。该模型首先构造OD图，利用邻接矩阵刻画不同OD对之间的非欧成对地理和语义相关性。其次，基于所构造的图，设计了残差多图卷积（RMGC）网络来编码上下文感知的空间依赖性，并使用长短期记忆（LSTM）网络来编码时间依赖性，到稠密向量空间中。最后，我们再利用RMGC网路将压缩向量解码回OD图，并预测未来的OD需求。通过对纽约市曼哈顿的出租车辆数据集进行广泛的实验，我们表明我们提出的深度学习框架的性能远远优于最先进的框架。
2019-10-17 cs.LG eess.SP
Learning to fail: Predicting fracture evolution in brittle material models using recurrent graph convolutional neural networks
Claremont Graduate University（克莱蒙特研究生大学）；Pomona College（波莫纳学院）；San Diego State University（圣地亚哥州立大学）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Broadridge Financial Solutions（百瑞吉金融解决方案公司）；Institute of Mathematical Sciences（数学科学研究所）；Mathematics Department（数学系）；Computational Science Research Center（计算科学研究中心）；Earth and Environmental Sciences Division（地球与环境科学部）
我们提出了一种机器学习方法来解决材料科学中的一个关键挑战：预测应力下脆性材料中的断裂如何传播，以及这些材料最终如何失效。我们的方法使用深度学习和对高保真模型的仿真数据进行训练，仿真这些模型的结果，同时避免与运行统计上显著的仿真样本相关的压倒性计算需求。我们采用了一个识别压裂材料特征的图卷积网络和一个对这些特征的演变进行建模的递归神经网络，以及一种新形式的数据增强，以补偿我们训练数据的适度大小。我们同时生成定性不同的材料属性的预测。断裂损伤和长度的结果在其模拟值的3%以内，材料失效时间的结果在模拟值的约15%以内，即使使用高保真模型也难以预测。一旦经过训练，我们的神经网络可以在几秒钟内生成预测，而不是运行单个模拟所需的几个小时。
2019-03-15 cond-mat.mtrl-sci cs.LG physics.data-an
Predicting Global Variations in Outdoor PM2.5 Concentrations using Satellite Images and Deep Convolutional Neural Networks
McGill University（麦吉尔大学）；Element AI（Element AI公司）
在这里，我们提出了一种新的方法，估计全球变化的室外PM $_{2.5}$浓度使用卫星图像结合地面测量和深度卷积神经网络。具体而言，新的深度学习模型在全球PM $_{2.5}$浓度范围（$<$ 1-436 $μ$ g/m $^3$）上进行了训练，使用了与世界卫生组织提供的地面PM $_{2.5}$测量值配对的大型卫星图像数据库。最终的模型选择是基于对卷积基础的知名架构的系统评估，包括InceptionV 3，Xception和VGG 16。Xception架构表现最好，最终全局模型在不相交测试集中的均方根误差（RMSE）值为13.01 $μ$ g/m $^3$（R $^2$ =0.75）。我们新的全球模型（称为IMAGE-PM $_{2.5}$）的预测性能与全球疾病负担研究中使用的当前最先进的模型相似，但仅依赖于卫星图像作为输入。因此，IMAGE-PM $_{2.5}$模型为估算长期平均PM $_{2.5}$浓度的全球变化提供了一种快速、具有成本效益的方法，对于没有地面监测数据或详细排放清单的地区可能特别有用。IMAGE-PM $_{2.5}$模型可用作全球暴露估计的独立方法，或纳入更复杂的分层模型结构。
2019-06-01 cs.LG eess.IV
COVID CT-Net: Predicting Covid-19 From Chest CT Images Using Attentional Convolutional Network
Isfahan University of Technology（伊斯法罕理工大学）；Snap Inc.（Snap公司）；Isfahan University of Medical Sciences（伊斯法罕医科大学）；The University of Iowa（爱荷华大学）
新型冠状病毒病（COVID-19）大流行已在全球200多个国家引发大规模疫情，对全球许多人的健康和生活造成严重影响。截至2020年8月25日，超过2000万人感染，超过80万人死亡。计算机断层扫描（CT）图像可用作耗时的“逆转录聚合酶链反应（RT-PCR）”测试的替代方法，以检测COVID-19。在这项工作中，我们开发了一个深度学习框架来从CT图像中预测COVID-19。我们建议使用注意力卷积网络，它可以专注于胸部的感染区域，使其能够进行更准确的预测。我们在2000多张CT图像的数据集上训练了我们的模型，并报告了它在各种流行指标方面的性能，如灵敏度、特异性、曲线下面积以及精确度-召回率曲线，并取得了非常有希望的结果。我们还提供了几个测试图像的模型的注意力图的可视化，并显示我们的模型正在按预期处理感染区域。除了开发机器学习建模框架外，我们还在委员会认证的放射科医生的帮助下提供了胸部潜在感染区域的手动注释，并将其公开提供给其他研究人员。
2020-09-10 cs.CV cs.LG eess.IV
Predicting Critical Nodes in Temporal Networks by Dynamic Graph Convolutional Networks
University of Electronic Science and Technology of China（电子科技大学）；Nanjing University of Finance and Economics（南京财经大学）；University of Nottingham（诺丁汉大学）；Sichuan Provincial Key Research Base of Social Science（四川省社会科学重点研究基地）；Union Big Data Tech. Inc.（联合大数据技术有限公司）
现实世界中的许多系统都可以用时态网络来表达，其中节点在结构和功能上扮演着不同的角色，而边则代表节点之间的关系。识别关键节点可以帮助我们控制舆论或流行病的传播，预测学术界的领军人物，为各种商品做广告等等，但在时序网络中，由于网络结构随时间变化，识别关键节点是相当困难的。本文考虑时序网络的序列拓扑信息，提出了一种基于特殊GCN和RNN相结合的新型有效学习框架，以识别具有最佳传播能力的节点。该方法的有效性进行了评估加权易感-感染-感染模型。在四个真实世界的时间网络上的实验结果表明，该方法在Kendall $τ$系数和最高$k$命中率方面优于传统和深度学习基准方法。
2021-07-06 cs.AI cs.LG cs.SI
Predicting Peak Stresses In Microstructured Materials Using Convolutional Encoder-Decoder Learning
Carnegie Mellon University（卡内基梅隆大学）；Stanford University（斯坦福大学）；Center for Nonlinear Analysis（非线性分析中心）
本文提出卷积编码器-解码器深度学习方法，从合成微结构预测线弹性应力场并检测峰值应力簇，实验表明其能准确捕捉簇的几何特征。
2022-01-03 cond-mat.mtrl-sci cs.LG math.AP
Predicting Mechanical Properties from Microstructure Images in Fiber-reinforced Polymers using Convolutional Neural Networks
Purdue University（普渡大学）
本文改进StressNet为全卷积网络，从纤维增强聚合物的分割显微结构图像预测非线性有限元应力场，实现秒级高精度预测并提示潜在损伤位置。
2020-10-07 cond-mat.mtrl-sci cs.LG
Continuous Emotion Recognition via Deep Convolutional Autoencoder and Support Vector Regressor
École de Technologie Supérieure, Université du Québec（魁北克大学高等技术学院）；Pontifical Catholic University of Paraná（巴拉那天主教大学）
人脸表情自动识别是情感识别和计算机视觉的重要研究领域。应用可以在几个领域中找到，例如医疗，驾驶员疲劳监测，社交机器人和其他几个人机交互系统。因此，机器应该能够高精度地识别用户的情绪状态是至关重要的。近年来，深度神经网络在识别情绪方面取得了巨大成功。在本文中，我们提出了一个新的模型，连续的情感识别的基础上，面部表情识别的无监督学习方法的基础上迁移学习和自动编码器。所提出的方法还包括预处理和后处理技术，有助于提高性能的一致性相关系数的唤醒和效价尺寸的预测。在RECOLA 2016数据集上预测自发和自然情绪的实验结果表明，基于视觉信息的方法可以分别实现0.516和0.264的效价和唤醒的CCC。
2020-01-31 cs.CV cs.LG
Predicting Elastic Properties of Materials from Electronic Charge Density Using 3D Deep Convolutional Neural Networks
University of South Carolina（南卡罗来纳大学）；Dalian University of Technology（大连理工大学）；Key Laboratory of Ocean Energy Utilization and Energy Conservation of Ministry of Education（教育部海洋能源利用与节能重点实验室）；Key Laboratory of Materials Modification by Laser, Ion and Electron Beams（教育部激光、离子、电子束材料改性重点实验室）；School of Energy and Power Engineering（能源与动力工程学院）
材料表征在基于机器学习的材料性能预测和新材料发现中起着关键作用。目前，图形和3D体素表示方法都是基于晶体结构的异质元素。在这里，我们建议使用电子电荷密度（ECD）作为一个通用的统一的三维描述符的材料性能预测的优势，具有密切的关系，材料的物理和化学性质。我们开发了一种基于ECD的3D卷积神经网络（CNN），用于预测材料的弹性性能，其中CNN可以通过多次卷积和池化操作来学习有效的分层特征。对2，170 Fm-3 m面心立方（FCC）材料的广泛基准实验表明，我们基于ECD的CNN可以实现良好的弹性预测性能。特别是，我们的CNN模型的基础上融合的元素喜鹊功能和ECD描述符实现了最好的5倍交叉验证性能。更重要的是，我们表明，我们的基于ECD的CNN模型在非冗余数据集上进行评估时，可以实现更好的外推性能，其中测试样本周围的相邻训练样本很少。作为额外的验证，我们通过与DFT计算值进行比较，评估了我们的模型对空间群Fm-3 m的329种材料的预测性能，这表明我们的模型对体积模量的预测能力优于剪切模量。由于ECD的统一表示能力，预计我们的基于ECD的CNN方法也可以应用于预测晶体材料的其他物理和化学性质。
2020-04-11 cond-mat.mtrl-sci cs.CE cs.LG
Predicting Length of Stay in the Intensive Care Unit with Temporal Pointwise Convolutional Networks
University of Cambridge（剑桥大学）；Microsoft Research（微软研究院）
不断增长的患者需求和预算限制的压力使医院床位管理成为临床工作人员的日常挑战。最关键的是有效地将资源密集的重症监护病房（ICU）病床分配给需要生命支持的患者。解决这个问题的核心是了解目前的ICU患者可能会在病房呆多久。在这项工作中，我们提出了一种新的深度学习模型，该模型基于时间卷积和逐点（1x 1）卷积的组合，以解决eICU重症监护数据集上的住院时间预测任务。该模型-我们称之为时间逐点卷积（TPC）-专门设计用于缓解电子健康记录的常见挑战，例如偏斜，不规则采样和缺失数据。在这样做的过程中，我们已经实现了18-51%的显着性能优势（取决于指标），超过了常用的长短期记忆（LSTM）网络和称为Transformer的多头自注意力网络。
2020-11-13 cs.LG stat.ML
Relational graph convolutional networks for predicting blood-brain barrier penetration of drug molecules
The University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心）
评价药物分子的血脑屏障（BBB）通透性是脑药物开发的关键步骤。传统的评价方法需要复杂的体外或体内测试。或者，基于机器学习的计算机预测已被证明是补充体外和体内方法的具有成本效益的方法。然而，所建立的模型的性能受到限制，他们无法处理药物和蛋白质之间的相互作用，这在BBB穿透行为背后的机制中起着重要作用。为了解决这一限制，我们采用了关系图卷积网络（RGCN）来处理药物-蛋白质相互作用以及每种药物的性质。RGCN模型的总体准确度为0.872，AUROC为0.919，AUPRC为0.838，用于药物-蛋白质相互作用和Mordred描述符作为输入的测试数据集。引入药物-药物相似性来连接数据图中结构相似的药物进一步改善了测试结果，总体准确度为0.876，AUROC为0.926，AUPRC为0.865。特别是，RGCN模型被发现大大优于LightGBM基础模型时，与药物的BBB渗透依赖于药物-蛋白质相互作用进行评估。我们的模型有望提供高置信度的预测血脑屏障渗透性的药物优先级在实验筛选血脑屏障穿透药物。
2022-04-06 cs.LG q-bio.QM
Predicting Visual Attention and Distraction During Visual Search Using Convolutional Neural Networks
McGill University（麦吉尔大学）
大多数视觉注意的计算建模研究都包括无任务的图像观察。自由观看显著性考虑日常生活的有限场景。大多数视觉活动都是以目标为导向的，需要大量的自上而下的注意力控制。视觉搜索任务需要更多的自上而下的注意控制，相比自由观看。在本文中，我们提出了两种方法来模拟视觉搜索过程中观察者的视觉注意力和注意力分散。我们的第一种方法采用轻量级的自由观看显着性模型来预测人类观察者在搜索图像像素上的眼睛注视密度图，使用双流卷积编码器-解码器网络，在COCO-Search 18数据集上进行训练和评估。该方法预测在搜索特定目标时哪些位置更容易分散注意力。我们的网络在标准显着性指标上取得了良好的结果（AUC-Judd=0.95，AUC-Borji=0.85，sAUC=0.84，NSS=4.64，KLD=0.93，CC=0.72，SIM=0.54和IG=2.59）。我们的第二种方法是基于对象的，并预测视觉搜索过程中的分心物和目标对象。干扰物是除了观察者在搜索过程中注视的目标之外的所有物体。该方法使用Mask-RCNN分割网络，该网络在MS-COCO上进行了预训练，并在COCO-Search 18数据集上进行了微调。我们在COCO-Search 18中发布了三个目标类别的目标和干扰物的分割注释：瓶子，碗和汽车。三个类别的平均得分为：F1-得分=0.64，MAP（iou：0.5）=0.57，MAR（iou：0.5）=0.7…
2022-10-27 cs.AI cs.CV cs.LG
Deep learning with convolutional neural networks for decoding and visualization of EEG pathology
University of Freiburg（弗赖堡大学）
我们将卷积神经网络（ConvNets）应用于天普大学医院EEG异常语料库中区分病理和正常EEG记录的任务。我们使用两个基本的，浅层和深层的ConvNet架构最近显示，至少从EEG解码任务相关的信息，以及为此目的而设计的既定算法。在解码EEG病理学时，两个ConvNets都达到了比该数据集唯一公布的结果更好的准确率（约6%，约85% vs.约79%），并且在每次记录仅使用1分钟进行训练和每次记录仅使用6秒进行测试时仍然更好。我们使用自动化方法来优化架构超参数，并发现了有趣的不同ConvNet架构，例如，最大池化作为唯一的非线性。ConvNet解码行为的可视化显示，他们使用了delta（0-4 Hz）和theta（4-8 Hz）频率范围内的频谱功率变化，可能还有其他特征，这与从EEG数据的频谱分析和文本医疗报告中得出的预期一致。对文本医疗报告的分析还强调了通过整合上下文信息（如受试者的年龄）来提高准确性的潜力。总之，本研究中使用的ConvNets和可视化技术构成了临床上有用的自动EEG诊断的下一步，并为该主题的未来工作建立了新的基线。
2018-01-11 cs.LG cs.NE stat.ML
Precisely Predicting Acute Kidney Injury with Convolutional Neural Network Based on Electronic Health Record Data
The School of Computer Science and Technology, Xi’an Jiaotong University（西安交通大学计算机科学与技术学院）；The School of Life Science and Technology, Xi’an Jiaotong University（西安交通大学生命科学与技术学院）；Lishui People’s Hospital（丽水市人民医院）
急性肾损伤（Acute Kidney Injury，AKI）是重症监护病房（Intensive Care Unit，ICU）患者的常见病，尤其是成人患者，是影响近期和远期死亡率的独立危险因素。虽然近年来研究者们重视对AKI的早期预测，但现有模型的性能还不够精确。本研究的目的是通过卷积神经网络对电子健康记录（EHR）数据进行精确预测AKI。本研究中使用的数据集是两个公共电子健康记录（EHR）数据库：MIMIC-III和eICU数据库。在本研究中，我们采用了几个卷积神经网络模型进行训练和测试我们的AKI预测器，它可以准确地预测某一患者是否会发生AKI后，入住ICU根据最后测量的16个血气和人口统计学特征。该研究基于肾脏疾病改善全球结局（KDIGO）标准定义AKI。我们的工作大大提高了AKI的预测精度，最好的AUROC在MIMIC-III数据集上达到0.988，在eICU数据集上达到0.936，两者都优于最先进的预测器。该预测器所用的输入向量的维数远小于已有的研究中所用的维数。与现有的AKI预测器相比，该预测器采用卷积神经网络结构，输入向量更加简洁，大大提高了AKI早期预测的精度。早期、准确地预测AKI的发生，对指导治疗具有重要意义，具有重要的临床应用价值。
2020-05-27 cs.LG stat.ML
Predicting skull fractures via CNN with classification algorithms
Shahjalal University of Science and Technology（沙赫贾拉尔科技大学）
计算机断层扫描（CT）图像对于诊断疾病已经变得相当重要。CT扫描切片包含大量的数据，这些数据可能无法使用正常的视觉检查以必要的精度和速度进行适当检查。需要一个计算机辅助的颅骨骨折分类专家系统来协助医生。卷积神经网络（CNN）是用于图像分类的最广泛使用的深度学习模型，因为它们通常在准确性和结果方面优于其他模型。然后开发和测试了CNN模型，并比较了几种卷积神经网络（CNN）架构。ResNet50用于结合梯度提升决策树机器学习算法的特征提取，以作为将来自脑CT扫描的颅骨骨折分类为三个骨折类别的分类器，其具有用于颅骨骨折分类的最佳总体F1评分96%、汉明评分95%、平衡准确度评分94%和ROC AUC曲线96%。
2022-08-14 cs.AI cs.CV cs.LG
Adversarial Context Aware Network Embeddings for Textual Networks
Indian Institute of Science（印度科学学院）
文本网络的表示学习提出了一个重大的挑战，因为它涉及到从两种模态捕获合并的信息：（i）底层网络结构，和（ii）节点文本属性。为此，大多数现有方法通过强制连接节点的嵌入相似来学习文本和网络结构的嵌入。然后，为了实现模态融合，他们使用节点的文本嵌入与其连接节点的结构嵌入之间的相似性，反之亦然。这意味着这些方法需要边缘信息来学习嵌入，并且它们不能学习看不见的节点的嵌入。在本文中，我们提出了一种方法，实现了模态融合和学习嵌入看不见的节点的能力。我们的模型的主要特点是，它使用基于文本嵌入的生成器和基于结构嵌入的生成器之间的对抗机制来学习有效的表示。然后，为了学习不可见节点的嵌入，我们使用基于文本嵌入的监督。此外，我们还提出了一种新的文本嵌入学习体系结构，该体系结构结合了相互注意和拓扑注意力机制，使得文本嵌入更加灵活。通过对真实世界数据集的广泛实验，我们证明了我们的模型在几个最先进的基准测试中取得了实质性的进步。与以前的最先进技术相比，它在预测训练中看到的节点之间的链接方面的性能提高了7%，在预测涉及训练中没有看到的节点的链接方面的性能提高了12%。此外，在节点分类任务中，它给出了高达2%的性能提高。
2020-11-05 cs.CL cs.IR cs.LG
Facial Key Points Detection using Deep Convolutional Neural Network - NaimishNet
University of Paderborn（帕德博恩大学）；IIIT-Allahabad（印度信息技术学院阿拉哈巴德分校）
人脸关键点检测是计算机视觉和机器学习领域的一个重要而又具有挑战性的问题。它涉及预测给定面部的FKP的坐标，例如鼻尖、眼睛中心等。在本文中，我们提出了一个适应LeNet的深度CNN模型- NaimishNet，用于对面部关键点数据进行操作，并将我们的模型的性能与现有的最先进的方法进行比较。
2017-10-03 cs.CV cs.LG stat.ML
An effective physics-informed neural operator framework for predicting wavefields
针对Helmholtz方程数值求解成本高的问题，提出融合PDE约束的PICNO，用背景波场和速度模型预测散射波场，在小样本和高频波场预测上优于纯数据驱动CNO。
2025-07-22 cs.LG physics.geo-ph
Predicting invasive ductal carcinoma using a Reinforcement Sample Learning Strategy using Deep Learning
Temple University（天普大学）
浸润性导管癌是一种流行的、潜在致命的疾病，其发病率和死亡率都很高。其恶性程度是妇女癌症死亡的第二大原因。乳房X线摄影对于肿块侦测和浸润性导管癌的诊断是非常有用的资源。我们提出了一种用于浸润性导管癌的方法，该方法将在乳房X线照片上使用卷积神经网络（CNN）来帮助放射科医生诊断该疾病。由于某些乳房X线照片的图像清晰度和结构不同，很难观察到主要的癌症特征，如微钙化和肿块，并且通常难以解释和诊断这些属性。本研究的目的是建立一种新的方法，用于浸润性导管癌计算机辅助诊断（CAD）系统中的全自动特征提取和分类。本文提出了一种肿瘤分类算法，该算法在乳腺X线图像上使用卷积神经网络，以提高特征提取和训练速度。该算法有两个贡献。
2021-11-07 cs.AI cs.CV cs.LG
