DrKGC: Dynamic Subgraph Retrieval-Augmented LLMs for Knowledge Graph Completion across General and Biomedical Domains
University of Minnesota（明尼苏达大学）；University of Michigan（密歇根大学）
DrKGC通过轻量级训练学习结构嵌入与逻辑规则，结合自底向上动态子图检索和GCN适配器增强提示，提升LLM在通用及生物医学知识图谱补全中的性能与可解释性。
2025-11-10 cs.AI cs.CL cs.LG
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
Automated Detection of Adverse Drug Reactions in the Biomedical Literature Using Convolutional Neural Networks and Biomedical Word Embeddings
Novartis Pharma A.G.（诺华制药股份公司）
监测药物不良反应（ADR）病例的生物医学文献是药物警戒中一项至关重要且耗时的任务。计算机辅助方法的发展，以帮助这一过程中的不同形式一直是许多最近的作品的主题。已经显示出前景的一个特定领域是使用深度神经网络，特别是卷积神经网络（CNN），用于检测ADR相关句子。使用令牌级卷积和通用词嵌入，该架构相对于更传统的模型以及长短期记忆（LSTM）模型表现出良好的性能。在这项工作中，我们使用ADE语料库评估和比较两种不同的CNN架构。此外，我们表明，通过去重复的ADR相关的句子，我们可以大大减少过度乐观的分类结果。最后，我们评估了专门为生物医学文本开发的词嵌入的使用，并表明它们在这项任务中具有更好的性能。
2018-04-24 cs.CL cs.LG stat.ML
MOXIE: Discovering Alternative Explanations for Biomedical Image Classifiers
Missouri State University（密苏里州立大学）
MOXIE是一种进化框架，通过多目标搜索生成替代解释的帕累托前沿，在保持分类器置信度的同时最小化图像保留量，在多个数据集上优于LIME，提供更全面的决策视图。
2026-10-06 cs.CV cs.LG cs.NE
Discovering Association with Copula Entropy
Hitachi (China) Research & Development Corporation（日立（中国）研究开发有限公司）
发现关联在科学实践中至关重要。目前，大多数研究仅考虑相关系数衡量的线性关联，这有其理论局限性。在本文中，我们提出了一种新的方法来发现关联copula熵-一个普遍适用的关联措施，不仅线性情况下，但非线性情况。通过对NHANES数据的分析，证明了基于Copula熵的方法比传统方法具有更大的优势，发现了更多有意义的生物医学关联。
2020-04-14 cs.IT cs.LG math.IT
Region Growing with Convolutional Neural Networks for Biomedical Image Segmentation
North Carolina State University（北卡罗来纳州立大学）
在本文中，我们提出了一种使用卷积神经网络（CNN）进行分割的方法，通过在每个坐标方向上迭代增长预测的掩码区域。CNN用于预测图像的图块中的中心像素的小邻域中的类别概率得分。我们在CNN概率分数上使用阈值来确定是否将像素添加到该区域，并且迭代继续，直到没有新像素添加到该区域。我们的方法是能够实现高分割精度和保留生物逼真的形态特征，同时利用少量的训练数据和保持计算效率。使用来自DRIVE数据库的视网膜血管图像，我们发现我们的方法在几个评估指标上比完全卷积语义分割CNN更准确。
2020-09-23 cs.LG eess.IV
Discovering Operational Patterns Using Image-Based Convolutional Clustering and Composite Evaluation: A Case Study in Foundry Melting Processes
SDU Center for Energy Informatics, The Maersk Mc-Kinney Moller Institute, Faculty of Engineering, University of Southern Denmark（南丹麦大学工程学院马士基麦克-金尼·穆勒研究所SDU能源信息学中心）
针对工业时间序列数据无监督模式发现的挑战，提出基于图像的卷积聚类与复合评估框架，通过灰度矩阵转换、混合聚类优化和多指标评估，在铸造熔炼案例中识别出可解释操作模式并优于现有方法。
2025-11-17 cs.AI cs.LG
Sheaf Neural Networks and biomedical applications
University of Ferrara（费拉拉大学）；University of Bologna（博洛尼亚大学）
本文阐述了sheaf神经网络的理论与数学建模，并通过具体案例展示其在生物医学问题中的有效性，优于主流图神经网络。
2026-03-19 cs.AI cs.LG cs.NE
PRISM: Lightweight Multivariate Time-Series Classification through Symmetric Multi-Resolution Convolutional Layers
ICube, University of Strasbourg（斯特拉斯堡大学ICube实验室）
PRISM通过对称多分辨率卷积层实现轻量级多变量时间序列分类，采用通道无关方式，在早期阶段应用多分辨率对称卷积滤波器，有效减少参数数量并保持完整感受野，优于现有CNN和Transformer模型。
2026-04-04 cs.AI cs.LG
Discovering Molecular Functional Groups Using Graph Convolutional Neural Networks
官能团是分子的亚结构，是分析和预测分子化学性质的基础。FG的自动发现将通过减少发现或合成新分子所需的实验室实验量来影响各个研究领域，包括药物化学和材料科学。在本文中，我们研究的方法的基础上，图卷积神经网络（GCNN）的本地化的FG，有助于特定的化学性质的利益。在我们的框架中，分子被建模为无向关系图，原子作为节点，键作为边。使用这种关系图结构，我们在实验验证的分子训练集上以监督的方式训练GCNN，以预测特定的化学性质，例如，毒性在学习GCNN时，我们分析了它的激活模式，使用我们开发的四种不同的可解释性方法自动识别FG：基于梯度的显着性图，类激活映射（CAM），梯度加权CAM（Grad-CAM）和激励反向传播。虽然这些方法最初是为卷积神经网络（CNN）推导的，但我们对其进行了调整，以开发相应的GCNN合适版本。我们评估了这些方法的对比能力，确定的分子亚结构的特异性和化学功能的相关性。梯度CAM具有最高的对比度，并产生定性最好的FG。这项工作为新分子的自动分析和设计铺平了道路。
2019-10-09 cs.LG stat.ML
Spectral Multigraph Networks for Discovering and Fusing Relationships in Molecules
University of Guelph（圭尔夫大学）；Vector Institute for Artificial Intelligence（向量人工智能研究院）；Canadian Institute for Advanced Research（加拿大高等研究院）；SRI International（SRI国际研究院）
谱图卷积网络（GCN）是卷积网络在图结构数据上学习的推广。谱GCN的应用已经取得了成功，但仅限于少数问题，其中图是固定的，如形状对应和节点分类。在这项工作中，我们通过重新访问一个特定的谱图网络家族Chebyshev GCN来解决这个限制，展示了它在解决具有可变图结构和大小的图分类任务方面的功效。Chebyshev GCN限制图在任何一对节点之间最多有一条边。为此，我们提出了一种新的多图网络，从多关系图中学习。我们用抽象的意义对学习过的边缘进行建模，并尝试用不同的方法来融合从注释和学习过的边缘中提取的表示，在各种化学分类基准上取得了有竞争力的结果。
2018-11-23 cs.AI cs.LG stat.ML
Discovering influential text using convolutional neural networks
Yale University（耶鲁大学）；University of California San Diego（加州大学圣地亚哥分校）
本文结合 NLP 可解释性与卷积神经网络，提出从文本中发现可预测人类反应的短语簇并在实验假设下识别文本处理效应的方法，且在两个数据集上优于基准。
2024-12-02 cs.CL cs.LG stat.ME
U-Net-and-a-half: Convolutional network for biomedical image segmentation using multiple expert-driven annotations
Boston University School of Medicine（波士顿大学医学院）；Academic Medical Center（学术医学中心）；Leiden University Medical Center（莱顿大学医学中心）；University of Amsterdam（阿姆斯特丹大学）；Arkana laboratories（Arkana实验室）；Amsterdam Cardiovascular Sciences（阿姆斯特丹心血管科学）；Veterans Affairs Boston Healthcare System（退伍军人事务部波士顿医疗系统）；Boston University（波士顿大学）
开发用于生物医学分割的深度学习系统通常需要访问专家驱动的手动注释数据集。如果在同一图像的注释中涉及多个专家，则专家间的一致性不一定是完美的，并且没有单个专家注释可以精确地捕获所有图像上的感兴趣区域的所谓地面实况。此外，使用来自多个专家的注释来生成参考估计值也不是微不足道的。在这里，我们提出了一个深度神经网络，定义为U-Net-and-a-half，它可以同时从多个专家对同一组图像执行的注释中学习。U-Net-and-a-half包含一个卷积编码器，用于从输入图像中生成特征，多个解码器，允许从多个专家独立生成的注释中获得的图像掩码中同时学习，以及共享的低维特征空间。为了证明我们的框架的适用性，我们分别使用了来自数字病理学和放射学的两个不同的数据集。具体来说，我们分别使用病理学家驱动的人类肾脏活检（10例患者）的整个载玻片图像上的肾小球注释和放射学家驱动的从血管内超声图像（10例患者）获得的人类动静脉瘘管腔横截面注释来训练两个单独的模型。基于U-Net-and-a-half的模型超过了仅在单个专家注释上训练的传统U-Net模型的性能，从而扩展了生物医学图像分割背景下的多任务学习范围。
2021-08-10 cs.CV cs.LG eess.IV
Benefits of mirror weight symmetry for 3D mesh segmentation in biomedical applications
Ural Federal University（乌拉尔联邦大学）；Institute of Immunology and Physiology（免疫与生理学研究所）；Institute of Natural Sciences（自然科学研究所）
本研究针对生物医学3D网格分割任务，验证了镜像权重对称性的作用，发现其可提升1%-3%准确率，最多减少8倍可训练参数且不损失性能，小训练集下也有效。
2023-11-06 cs.CV cs.LG eess.IV
Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling
University of Sydney（悉尼大学）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；University of Maryland at College Park（马里兰大学帕克分校）；Microsoft（微软公司）
针对生物医学数据非独立同分布与类别不平衡导致的表示偏差问题，提出几何约束概率建模框架，并利用谱图论估计新类数量，在多场景中验证了有效性。
2024-03-05 cs.AI cs.CV cs.LG
SPDA: Superpixel-based Data Augmentation for Biomedical Image Segmentation
University of Notre Dame（圣母大学）；Pennsylvania State University（宾夕法尼亚州立大学）
监督训练深度神经网络旨在“教”网络模仿人类视觉感知，由训练数据中的图像和标签对表示。超像素化（SP）图像对人类来说是视觉上可感知的，但是常规训练的深度学习模型在处理SP图像时通常表现不佳。为了更好地模仿人类视觉感知，我们认为深度学习模型不仅能够感知原始图像，而且能够感知SP图像。在本文中，我们提出了一种新的基于超像素的数据增强（SPDA）方法，用于训练生物医学图像分割的深度学习模型。我们的方法将超像素生成方案应用于所有原始训练图像以生成超像素化图像。然后将由此获得的SP图像与原始训练图像联合使用以训练深度学习模型。我们在四个生物医学图像数据集上进行的SPDA实验表明，SPDA是有效的，可以持续提高最先进的全卷积网络在2D和3D图像中进行生物医学图像分割的性能。进一步的研究也表明，SPDA可以实际上减少泛化差距。
2019-02-28 cs.AI cs.CV cs.LG
Interpretable Graph Convolutional Neural Networks for Inference on Noisy Knowledge Graphs
BenevolentAI（仁爱AI）
在这项工作中，我们提供了一个新的配方图卷积神经网络（GCNN）的链接预测的图形数据，解决了生物医学知识图谱（KG）的共同挑战。我们将正则化的注意力机制引入GCNN，不仅提高了干净数据集的性能，而且还有利地适应KG中的噪声，这是现实世界应用中普遍存在的问题。此外，我们探索了可解释建模的新可视化方法，并说明了如何利用学习的表示来自动化数据集去噪。结果显示在一个合成数据集，共同的基准数据集FB 15 k-237，和一个大型的生物医学知识图谱来自噪声和干净的数据源的组合。使用这些改进，我们可视化了一个学习模型的疾病囊性纤维化的代表性，并演示了如何询问神经网络，以显示PPARG作为类风湿性关节炎的候选治疗靶点的潜力。
2018-12-01 cs.LG stat.ML
FTT-NAS: Discovering Fault-Tolerant Convolutional Neural Architecture
Tsinghua University（清华大学）；Tencent（腾讯）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Tianjin University（天津大学）
随着嵌入式深度学习计算系统的快速发展，由深度学习驱动的应用程序正在从云端移动到边缘。当在复杂环境下将神经网络（NN）部署到设备上时，存在各种类型的可能故障：由宇宙辐射和放射性杂质引起的软错误，电压不稳定，老化，温度变化和恶意攻击者。因此，部署NN的安全风险现在引起了人们的广泛关注。在本文中，在分析了各种类型的神经网络加速器中可能出现的故障后，我们从算法的角度形式化并实现了各种故障模型。我们提出了容错神经架构搜索（FT-NAS），以自动发现卷积神经网络（CNN）架构，是可靠的各种故障，在当今的设备。然后，我们将容错训练（FTT）在搜索过程中，以达到更好的结果，这是被称为FTT-NAS。在CIFAR-10上的实验表明，所发现的架构明显优于其他手动设计的基准架构，具有可比或更少的浮点运算（FLOP）和参数。具体而言，在相同的故障设置下，在特征故障模型下发现的F-FTT-Net达到了86.2%的准确率（与MobileNet-V2实现的68.1%相比），在权重故障模型下发现的W-FTT-Net达到了69.6%的准确率（与ResNet-20实现的60.8%相比）。通过对所发现的结构的考察，我们发现操作原语、权值量化范围、模型容量和连接模式对神经网络模型的故障恢复能力都有影响。
2021-04-12 cs.LG eess.SP stat.ML
Multi-level biomedical NER through multi-granularity embeddings and enhanced labeling
Isfahan University of Technology（伊斯法罕理工大学）；Medical University of Vienna（维也纳医科大学）
本文提出一种混合方法，结合BERT、多通道CNN和BiLSTM+CRF，并引入增强标注预处理，以提升生物医学命名实体识别性能，在i2b2/2010数据集上取得90.11的F1分数。
2023-12-24 cs.AI cs.CL cs.LG
U-Mamba: Enhancing Long-range Dependency for Biomedical Image Segmentation
Peter Munk Cardiac Centre, University Health Network（彼得·蒙克心脏中心，大学健康网络）；University of Toronto（多伦多大学）；Vector Institute for Artificial Intelligence（向量人工智能研究所）
针对生物医学图像分割中CNN和Transformer处理长距离依赖受限的问题，提出通用网络U-Mamba，通过混合CNN-SSM块结合局部特征提取与长距离依赖捕获能力，并具备自配置机制，在四项任务中均优于现有最先进方法。
2024-01-09 cs.CV cs.LG eess.IV
Forced to Learn: Discovering Disentangled Representations Without Exhaustive Labels
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
用神经网络学习更好的表示是一个具有挑战性的问题，在过去的几年里，人们从不同的角度广泛地解决了这个问题。在这项工作中，我们专注于学习一种可用于聚类任务的表示，并引入两种新的损失分量，它们可以大大提高生成的聚类的质量，易于应用于任意模型和成本函数，并且不需要复杂的训练过程。我们对两种最常见的模型，递归神经网络和卷积神经网络，表明我们提出的方法不断提高质量的KMeans聚类调整后的互信息得分，并优于以前提出的方法。
2017-05-01 cs.LG cs.NE
Semi-Supervised Learning for Image Classification using Compact Networks in the BioMedical Context
University of La Rioja（拉里奥哈大学）
嵌入深度卷积神经模型的移动和边缘应用程序的开发有可能彻底改变生物医学。然而，大多数深度学习模型需要智能手机或边缘设备中不可用的计算资源;这是紧凑模型可能面临的问题。这种模型的问题在于，至少通常情况下，它们不如更大的模型准确。在这项工作中，我们研究如何解决这个限制与应用程序的半监督学习技术。我们进行了几次统计分析，以比较使用半监督学习方法进行训练时深度紧凑架构的性能，以解决生物医学背景下的图像分类任务。特别是，我们探讨了三个家庭的紧凑型网络，和两个家庭的半监督学习技术的10个生物医学任务。通过将半监督学习方法与紧凑网络相结合，可以获得与标准大小网络相似的性能。一般来说，将数据蒸馏与MixNet结合使用，以及将普通蒸馏与ResNet-18结合使用时，可以获得最佳结果。此外，一般来说，NAS网络获得比手动设计的网络和量化的网络更好的结果。本文中的工作显示了将半监督方法应用于紧凑网络的好处;这使我们能够创建紧凑的模型，不仅与标准大小的模型一样准确，而且更快，更轻。最后，我们开发了一个库，简化了紧凑的模型使用半监督学习方法的建设。
2022-05-19 cs.AI cs.CV cs.LG
PathFinder: Discovering Decision Pathways in Deep Neural Networks
Bloomberg L.P.（彭博有限合伙企业）；Özyeğin University（厄兹耶金大学）
可解释性正成为深度神经网络越来越重要的主题。虽然卷积层中的操作更容易理解，但在全连接层中处理变得不透明。我们工作的基本思想是，每个实例在流经各层时，都会在隐藏层中产生不同的激活模式，在我们的路径方法中，我们将每个隐藏层的激活向量聚类，然后查看连续层中的聚类如何在激活从输入层流向输出时相互连接。我们发现，同一个类的实例在层上遵循少量的聚类序列，我们称之为“决策路径”。这些路径解释了分类决策通常是如何做出的，也帮助我们确定遵循不寻常路径的离群值。我们还建议使用桑基图可视化这样的途径。我们验证了我们的方法与实验上的两个前馈网络训练MNIST和CELEB数据集，和一个循环网络训练PenDigits。
2022-10-01 cs.LG
An Image is Worth Multiple Words: Discovering Object Level Concepts using Multi-Concept Prompt Learning
AstraZeneca（阿斯利康）；Google DeepMind（谷歌DeepMind）
提出多概念提示学习（MCPL），从单句-图像对同时学习多个未知对象级概念，无需图像标注，通过三种正则化技术提升词-概念关联，存储开销低于10%。
2024-05-25 cs.AI cs.CL cs.CV
When Spectral Modeling Meets Convolutional Networks: A Method for Discovering Reionization-era Lensed Quasars in Multi-band Imaging Data
Max-Planck-Institut für Astronomie（马克斯·普朗克天文研究所）；Universiteit Gent（根特大学）；Technische Universität München（慕尼黑工业大学）
本文结合扩展SED建模与CNN图像分类，在多波段巡天数据中系统搜索再电离时代小间距强透镜类星体，获得36个待光谱确认的新候选体。
2023-01-06 astro-ph.CO astro-ph.GA astro-ph.IM
Convolutional Fourier Analysis Network (CFAN): A Unified Time-Frequency Approach for ECG Classification
University of São Paulo（圣保罗大学）
本文提出 CFAN，通过 CONV-FAN 模块将傅里叶原理嵌入 CNN，实现无需频谱图转换的联合时频学习，并在三个 ECG 任务上达到最先进准确率。
2025-05-14 cs.LG eess.SP
Medical Image Segmentation Based on Multi-Modal Convolutional Neural Network: Study on Image Fusion Schemes
Massachusetts General Hospital（麻省总医院）；Beijing Institute of Technology（北京理工大学）；University of Pittsburgh（匹兹堡大学）
在生物医学成像领域中，使用多于一种模态（即多模态）的图像分析已被越来越多地应用。执行多模态分析的挑战之一是存在用于融合来自不同模态的信息的多个方案，其中这些方案依赖于应用并且缺乏统一的框架来指导其设计。在这项工作中，我们首先提出了一个概念架构的监督生物医学图像分析中的图像融合方案：融合在特征级，融合在分类器级，融合在决策级。此外，受最近将深度学习应用于自然图像分析的成功启发，我们基于具有不同结构的卷积神经网络（CNN）实现了上述三种图像融合方案，并将其组合到一个框架中。所提出的图像分割框架能够同时使用不同的融合方案来分析多模态图像。该框架被应用于从磁共振成像（MRI）、计算机断层扫描（CT）和正电子发射断层扫描（PET）图像的组合中检测软组织肉瘤的存在。从结果中发现，虽然所有的融合方案优于单模态方案，在特征级的融合通常可以实现最好的性能，在精度和计算成本方面，但也遭受从鲁棒性下降的存在下，在任何图像模态的大误差。
2017-11-02 cs.CV cs.LG
Sparsity exploitation via discovering graphical models in multi-variate time-series forecasting
FPT Software AI Center（FPT软件人工智能中心）；University of California San Diego（加州大学圣迭戈分校）
针对多变量时间序列预测中生成图缺乏稀疏性导致计算昂贵且难解释的问题，提出包含图生成与预测模块的解耦训练方法，利用GraphLASSO构建稀疏图结构并输入GCRN，在保持竞争力的同时提升可解释性并减少约40%训练时间。
2023-06-29 cs.LG
Deep Convolutional Neural Networks for Pairwise Causality
TCS Research（TCS研究院）
从观察和干预数据中发现因果模型是假设分析或反事实推理之前重要的第一步。如前所述，在某些条件下，成对因果关系的方向可以通过标准梯度提升分类器（GBC）使用精心设计的统计特征从观测数据中推断出来。在本文中，我们将深度卷积神经网络（CNN）应用于这个问题，将属性对绘制为二维散点图，并将其作为图像馈送到CNN。我们评估我们的方法对'因果对' NIPS 2013年数据挑战。我们观察到，CNN与早期GBC方法的加权集成产生了显着的改善。此外，我们观察到，当可用的训练数据较少时，我们的方法比基于GBC的方法表现得更好，这表明预先训练以确定成对因果方向的方向的CNN模型在因果发现和实现假设或反事实分析中具有更广泛的适用性。
2017-01-03 cs.LG
Moment kernels: a simple and scalable approach for equivariance to rotations and reflections in deep convolutional networks
Department of Computational Medicine University of California, Los Angeles（计算医学系 加州大学洛杉矶分校）
本文提出矩核，一种简单可扩展的正交变换等变卷积核，在生物医学图像任务中提升方向一致性，避免群卷积的方向通道扩展，适配标准CNN工作流程。
2026-08-03 cs.CV cs.LG
Machine Learning Techniques for Biomedical Image Segmentation: An Overview of Technical Aspects and Introduction to State-of-Art Applications
Stanford University（斯坦福大学）
近年来，在开发用于医学和自然图像分割的更准确和更有效的机器学习算法方面取得了重大进展。在这篇综述文章中，我们强调了机器学习算法在医学成像领域实现高效准确分割方面的重要作用。我们特别关注与机器学习方法在生物医学图像分割中的应用有关的几项关键研究。我们回顾了经典的机器学习算法，如马尔可夫随机场，k-means聚类，随机森林等，虽然这些经典的学习模型通常不如深度学习技术准确，但它们通常更有效，结构更简单。我们还回顾了不同的深度学习架构，如人工神经网络（ANN），卷积神经网络（CNN）和递归神经网络（RNN），并介绍了过去三年中发表的这些学习模型所获得的分割结果。我们强调了每种机器学习范式的成功和局限性。此外，我们还讨论了与不同机器学习模型的训练相关的几个挑战，并提出了一些解决这些挑战的方法。
2019-11-06 cs.CV cs.LG eess.IV
Discovering Software Parallelization Points Using Deep Neural Networks
Federal Rural University of Pernambuco（佛罗里达农村大学）
本研究提出基于深度学习的代码循环并行化潜力识别方法，用遗传算法生成两类代码构建数据集，训练DNN和CNN模型分类，验证了该方法的可行性，为软件优化提供新工具。
2025-10-01 cs.AI cs.DC cs.LG
Causal Temporal Graph Convolutional Neural Networks (CTGCN)
Imperial College London（帝国理工学院）；IBM Research Europe（IBM欧洲研究院）；Trinity College Dublin（都柏林圣三一学院）；University of Rostock（罗斯托克大学）
许多大规模的应用程序可以使用图结构来优雅地表示。然而，它们的可扩展性往往受到应用它们所需的领域知识的限制。为了解决这个问题，我们提出了一种新的因果时间图卷积神经网络（CTGCN）。我们的CTGCN架构是基于因果发现机制，并能够发现潜在的因果过程。我们的方法的主要优势源于它的能力，克服计算的可扩展性问题，分而治之的技术，并从更大的解释性预测使用因果模型。我们评估了我们的CTGCN在两个数据集上的可扩展性，以证明我们的方法适用于大规模的问题，并表明将因果关系集成到TGCN架构中可以将预测性能提高到典型TGCN方法的40%。我们的结果是在不需要额外的领域知识，使我们的方法适用于各种领域，特别是当很少的上下文知识。
2023-03-16 cs.LG
Harnessing FPGA Technology for Enhanced Biomedical Computation
Erciyes University（埃尔吉耶斯大学）；Prairie View A&M University（草原景观农工大学）；Drexel University（德雷塞尔大学）
本研究利用FPGA技术结合CNN、RNN、LSTM和DBN等神经网络框架改进ECG信号分析，并为PYNQ Z1平台定制TCU加速器，提供了基于FPGA的机器学习完整实现方法与性能评估。
2023-11-21 cs.AR cs.LG
Deep Learning in Bioinformatics
Seoul National University（首尔大学）
在大数据时代，将生物医学大数据转化为有价值的知识是生物信息学最重要的挑战之一。自21世纪初以来，深度学习发展迅速，现在在各个领域都表现出最先进的性能。因此，学术界和工业界都强调了在生物信息学中应用深度学习以从数据中获得洞察力。在这里，我们回顾了生物信息学中的深度学习，展示了当前研究的例子。为了提供一个有用和全面的视角，我们将研究分为生物信息学领域（即，组学、生物医学成像、生物医学信号处理）和深度学习架构（即，深度神经网络、卷积神经网络、递归神经网络、涌现架构），并对每项研究进行简要描述。此外，我们还讨论了生物信息学中深度学习的理论和实践问题，并提出了未来的研究方向。我们相信这项评论将提供有价值的见解，并作为研究人员在生物信息学研究中应用深度学习方法的起点。
2016-06-19 cs.LG q-bio.GN
GCL-Sampler: Discovering Kernel Similarity for Sampled GPU Simulation via Graph Contrastive Learning
University of Science and Technology of China（中国科学技术大学）
GCL-Sampler通过图对比学习发现GPU模拟中的核相似性，实现高保真度和显著加速。
2026-02-28 cs.AR cs.LG cs.PF
Deep learning for extracting protein-protein interactions from biomedical literature
National Center for Biotechnology Information（国家生物技术信息中心）；National Library of Medicine（国家医学图书馆）；National Institutes of Health（国立卫生研究院）
用于蛋白质-蛋白质相互作用（PPI）提取的最新方法主要是通过利用词汇和句法信息的基于特征或基于核的方法。但是如何将这些知识融入到最近的深度学习方法中仍然是一个悬而未决的问题。本文提出了一种基于多通道依赖性的卷积神经网络模型（McDepCNN）。它将一个通道应用于句子中每个单词的嵌入向量，另一个通道应用于相应单词的头部的嵌入向量。因此，该模型可以使用从不同渠道获得的更丰富的信息。在两个公共基准数据集AIMed和BioInfer上的实验表明，McDepCNN与最先进的基于丰富特征和单核的方法相比毫不逊色。此外，McDepCNN在跨语料库评估方面的F1分数比最先进的方法提高了24.4%，在“困难”实例上的F1分数比基于内核的方法提高了12%。这些结果表明，McDepCNN更容易在不同的语料库中推广，并且能够捕获句子中的长距离特征。
2017-06-07 cs.CL cs.LG q-bio.QM
Scale-Space Hypernetworks for Efficient Biomedical Imaging
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；MGH（麻省总医院）；HMS（哈佛医学院）
本文提出尺度空间超网络（SSHN），通过学习具有不同内部缩放因子的CNN谱，以极低训练成本实现准确率与计算效率的Pareto最优权衡，使用户能在推理时快速选择适合其需求的缩放因子。
2023-06-29 cs.CV cs.LG
Exploiting FPGA Capabilities for Accelerated Biomedical Computing
Prairie View A&M University（普雷里维尤农工大学）；Drexel University（德雷塞尔大学）；Erciyes University（埃尔吉耶斯大学）
该研究面向 FPGA 上的 ECG 生物医学计算，实现并比较多种深度神经网络，结合 MIT-BIH 数据、防过拟合技术与定制 TCU 加速流程，给出部署和性能优化指南。
2023-07-16 cs.AR cs.LG eess.SP
Exploring the Design Space of Deep Convolutional Neural Networks at Large Scale
University of California, Berkeley（加州大学伯克利分校）
近年来，研究界发现，深度神经网络（DNN）和卷积神经网络（CNN）可以产生比以前所有解决广泛机器学习问题的解决方案更高的准确性。据我们所知，没有单一的CNN/DNN架构可以最佳地解决所有问题。相反，“正确的”CNN/DNN架构取决于手头的应用。CNN/DNN包括巨大的设计空间。定量地，我们发现CNN设计空间的一个小区域包含300亿个不同的CNN架构。在本论文中，我们开发了一种方法，使CNN的设计空间的系统探索。我们的方法包括以下四个主题。1.明智地选择基准和指标。2.快速训练CNN模型。3.定义和描述CNN设计空间。4.探索CNN架构的设计空间。综合起来，这四个主题构成了一个有效的方法，用于发现“正确的”CNN架构，以满足实际应用的需求。
2016-12-20 cs.CV cs.LG cs.NE
QuPCG: Quantum Convolutional Neural Network for Detecting Abnormal Patterns in PCG Signals
McMaster University（麦克马斯特大学）
本文提出混合量子-经典卷积神经网络QuPCG，通过小波特征提取与自适应阈值压缩将PCG信号转为8像素图像仅需8量子比特，实现S3和杂音异常分类，测试准确率达93.33%，是QCNN在生物声学信号处理中的首次应用。
2025-11-04 cs.LG quant-ph
Deep Learning and Symbolic Regression for Discovering Parametric Equations
Johns Hopkins University Applied Physics Laboratory（约翰斯·霍普金斯大学应用物理实验室）；University of Chicago（芝加哥大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出一种神经网络架构，将符号回归扩展到系数可变但方程结构不变的参数化系统，并与卷积神经网络集成以分析高维数据，在解析表达式、ODE和PDE上验证了其外推能力。
2023-05-28 cs.LG cs.SC physics.comp-ph
Capsule-ConvKAN: A Hybrid Neural Approach to Medical Image Classification
Department of Cybernetics and Artificial Intelligence, Technical University of Košice（控制论与人工智能系，科希斯技术大学）；Institute of Information Science, University of Miskolc（信息科学研究所，米什科尔特大学）；Department of Computer Science and Engineering, University of Connecticut（计算机科学与工程系，康涅狄格大学）
本文提出Capsule-ConvKAN混合架构，结合胶囊网络与卷积KAN，在组织病理学图像分类中达到91.21%准确率，优于传统模型。
2025-08-07 cs.CV cs.LG eess.IV
DeepMRSeg: A convolutional deep neural network for anatomy and abnormality segmentation on MR images
University of Pennsylvania（宾夕法尼亚大学）
分割一直是神经影像学中的主要任务。已经开发了大量的自动化方法用于分割健康和患病的脑组织。近年来，深度学习技术因其在不同分割问题中的高准确性而引起了广泛关注。我们提出了一种新的基于深度学习的分割方法DeepMRSeg，它可以以通用的方式应用于各种分割任务。该架构结合了生物医学图像分割和计算机视觉领域的最新进展。我们使用修改后的UNet架构，利用多个卷积滤波器的大小，以实现多尺度特征提取自适应所需的分割任务。重要的是，我们的方法对最低限度处理的原始MRI扫描进行操作。我们在广泛的分割任务上验证了我们的方法，包括白质病变分割、脑深部结构分割和海马体分割。我们提供代码和预先训练的模型，让研究人员在自己的数据集上应用我们的方法。
2019-07-03 cs.CV cs.LG eess.IV
