SMILES2Vec: An Interpretable General-Purpose Deep Neural Network for Predicting Chemical Properties
PNNL(太平洋西北国家实验室)
化学数据库以文本形式存储信息,SMILES格式是许多化学信息学软件中使用的通用标准。每个SMILES字符串中编码的是可用于预测复杂化学性质的结构信息。在这项工作中,我们开发了SMILES2vec,这是一种深度RNN,可以自动从SMILES中学习特征来预测化学性质,而不需要额外的显式特征工程。使用贝叶斯优化方法来调整网络架构,我们表明,优化的SMILES2vec模型可以作为一个通用的神经网络,用于预测不同的化学性质,包括毒性,活性,溶解度和溶剂化能,同时也优于当代MLP神经网络,使用工程功能。此外,我们展示了概念证明的可解释性,通过开发一个解释面具,本地化的最重要的字符用于作出预测。当在溶解度数据集上进行测试时,它识别出了化学品的特定部分,与已建立的第一原理知识一致,准确率为88%。我们的工作表明,神经网络可以学习技术上准确的化学概念,并提供最先进的准确性,使可解释的深度神经网络成为与化学工业相关的有用工具。
2018-03-18 cs.AI cs.CL cs.LG
Predicting drug-target interaction using 3D structure-embedded graph representations from graph neural networks
KAIST(韩国科学技术院)
药物-靶点相互作用(DTI)的准确预测对于计算机药物设计至关重要。为此,我们提出了一种新的方法,用于预测DTI使用GNN,直接结合了蛋白质-配体复合物的三维结构。我们还应用了一个距离感知的图注意力算法与门增强,以提高我们的模型的性能。因此,我们的模型在虚拟筛选和姿态预测方面都表现出比对接和其他深度学习方法更好的性能。此外,我们的模型可以再现自然的人口分布的活性分子和非活性分子。
2019-04-17 cs.LG stat.ML
A System for Predicting Subcellular Localization of Yeast Genome Using Neural Network
L.B.S College of Engineering(L.B.S工程学院);National Institute of Technology Karnataka(卡纳塔克邦国家理工学院)
蛋白质的亚细胞位置可以提供关于其功能的有价值的信息。随着测序基因组数据的快速增长,对自动化和准确的工具来预测亚细胞定位的需求变得越来越重要。人们已经做了很多努力来预测蛋白质的亚细胞定位。本文旨在将人工神经网络与生物信息学相结合,预测蛋白质在酵母基因组中的位置。我们介绍了一种新的基于反向传播神经网络的亚细胞预测方法。结果表明,该系统的预测误差在5 ~ 10%以内。
2007-10-11 cs.AI cs.NE
Meta-RegGNN: Predicting Verbal and Full-Scale Intelligence Scores using Graph Neural Networks and Meta-Learning
Université de Sousse(苏塞大学);Ecole Nationale d’Ingénieurs de Sousse(苏塞国立工程师学院);Horizon School of Digital Technologies(地平线数字技术学院);Istanbul Technical University(伊斯坦布尔技术大学)
从人类大脑结构中解密智能对于检测特定的神经系统疾病至关重要。最近,功能性脑连接组已被成功地用于预测行为分数。然而,现有的研究方法一方面忽视了连接体的拓扑特性,另一方面也未能解决脑的高度异质性问题。为了解决这些局限性,我们提出了一种新的回归图神经网络通过元学习,即元RegGNN预测大脑连接体的行为分数。我们提出的回归GNN的参数是明确训练的,因此少量的梯度步骤与少量的训练数据相结合,可以很好地推广到看不见的大脑连接体。我们的研究结果对语言和全面的智商(IQ)预测优于现有的方法在神经型和自闭症谱系障碍队列。此外,我们表明,我们提出的方法,确保普遍性,特别是自闭症患者。我们的Meta-RegGNN源代码可在https://github.com/basiralab/Meta-RegGNN上获得。
2022-09-14 cs.AI cs.LG q-bio.NC
Predicting Hurricane Trajectories using a Recurrent Neural Network
Florida International University(佛罗里达国际大学);Ganzfried Research(甘茨弗里德研究公司)
飓风是一种围绕一个确定的中心循环的气旋,其封闭风速超过75英里/小时,起源于热带和亚热带水域。飓风登陆时会造成严重的灾害。准确预测其轨迹路径对于减少经济损失和拯救人类生命至关重要。考虑到天气数据的复杂性和非线性,循环神经网络(RNN)可能有助于对飓风行为进行建模。我们提出了一个完全连接的RNN的应用程序来预测飓风的轨迹。我们在细网格上使用RNN来减少典型的截断误差。我们利用国家飓风中心(NHC)公开提供的纬度,经度,风速和压力来预测每隔6小时的飓风轨迹。结果表明,该技术是有竞争力的,目前采用的方法由NHC和可以预测长达约120小时的飓风路径。
2018-09-12 cs.AI cs.CY cs.LG
ElementaryNet: A Non-Strategic Neural Network for Predicting Human Behavior in Normal-Form Games
针对现有GameNet的level-0模型可能模拟策略推理的问题,本文提出无法表达策略行为的ElementaryNet,其预测性能与GameNet无显著差异,还可用于挖掘人类行为推理相关洞见。
2025-11-18 cs.AI cs.GT cs.LG
Predicting Tweet Engagement with Graph Neural Networks
University of Pavia(帕维亚大学);Polytechnic University of Marche(马尔凯理工大学)
本文提出TweetGage,一种基于图神经网络的解决方案,通过建模帖子间的语义联系来预测推文参与度,并在Twitter平台上通过全面实验验证了其有效性。
2023-05-17 cs.AI cs.LG cs.SI
Predicting Wall Thickness Changes in Cold Forging Processes: An Integrated FEM and Neural Network approach
South Westphalia University of Applied Sciences(西南phalia应用科学大学)
本文提出用专门设计的图神经网络作为代理模型,结合FEM仿真数据预测冷锻缩口过程中的壁厚变化,并引入ABTC指标验证其在闭环生产中替代传统有限元仿真的潜力。
2024-11-21 cs.LG
Graph Distance Neural Networks for Predicting Multiple Drug Interactions
Ainnocence
随着多药联合应用的日益广泛,药物间相互作用的准确预测变得越来越重要。在我们的方法中,我们使用图来表示药物-药物相互作用:节点表示药物;边缘表示药物-药物相互作用。基于我们的假设,我们将DDI的预测转化为链接预测问题,利用已知的毒品节点特征和DDI类型来预测未知的DDI类型。本文提出了一种基于图距离的神经网络(GDNN)来预测药物间的相互作用。首先,GDNN通过目标点方法为节点生成初始特征,充分包含图中的距离信息。其次,GDNN采用改进的消息传递框架,更好地生成每个药物节点的嵌入式表达,同时综合考虑节点和边的特征。第三,GDNN聚集嵌入的表达,进行MLP处理以生成最终预测的药物相互作用类型。GDNN在ogb-ddi数据集上实现了Test Hits@20=0.9037,证明GDNN可以有效地预测DDI。
2022-08-30 cs.AI cs.LG q-bio.QM
NeuType: A Simple and Effective Neural Network Approach for Predicting Missing Entity Type Information in Knowledge Bases
University of Stavanger(斯塔万格大学)
知识库存储关于实体的语义类型的信息,这些信息可以在一系列信息访问任务中使用。然而,由于每天都有新的实体出现,这些信息往往不完整。我们解决的任务,自动分配类型的实体在知识库中的类型分类法。具体来说,我们提出了两个神经网络架构,它采取简短的实体描述,并可选地,有关实体的信息作为输入。使用DBpedia知识库进行实验评估,我们证明了这些简单的架构产生显着的改进,目前的最先进的。
2019-07-05 cs.AI cs.CL cs.IR
Predicting Lattice Phonon Vibrational Frequencies Using Deep Graph Neural Networks
University of South Carolina(南卡罗来纳大学);National Institute of Standards and Technology(国家标准与技术研究所);Theiss Research
晶格振动频率与许多重要的材料性质有关,例如导热性、导电性以及超导性。然而,使用密度泛函理论(DFT)方法计算振动频率对于材料筛选中的大量样本来说计算量太大。在这里,我们提出了一种基于深度图神经网络的算法,用于高精度地从晶体结构预测晶体振动频率。我们的算法使用零填充方案来解决振动频谱的可变维度。对15,000和35,552个样本的两个数据集的基准研究表明,预测的聚合$R^2$得分分别达到0.554和0.724。我们的工作证明了深度图神经网络除了预测声子态密度(DOS)和电子态密度之外,还能够学习预测晶体结构的声子谱特性,其中输出维度是恒定的。
2021-11-10 cond-mat.mtrl-sci cs.LG
Neural Networks for Predicting Human Interactions in Repeated Games
Hebrew University of Jerusalem(希伯来大学)
我们考虑的问题,预测人类球员的行动,在重复的战略互动。我们的目标是预测个体玩家在以前看不见的游戏中的动态逐步行为。我们研究了神经网络执行这种预测的能力以及它们所需的信息。我们在人类参与者实验的标准形式游戏数据集上显示,标准神经网络能够学习函数,这些函数比行为经济学建立的模型更准确地预测玩家的行为。该网络在预测精度和交叉熵方面优于其他模型,并产生更高的经济价值。我们表明,如果可用的输入是只有一个短序列的发挥,经济信息的游戏是重要的预测人类代理的行为。然而,有趣的是,我们发现,当网络使用足够长的游戏历史序列进行训练时,基于动作的网络表现良好,关于游戏的额外经济细节并没有提高它们的性能,这表明动作序列编码了足够的信息,可以成功完成预测任务。
2019-11-08 cs.AI cs.GT
Graph Neural Network Approach to Predicting Magnetization in Quasi-One-Dimensional Ising Systems
B. Verkin Institute for Low Temperature Physics and Engineering of the National Academy of Sciences of Ukraine(贝拉维金低温物理与工程研究所(乌克兰国家科学院))
本文提出基于图神经网络的深度学习框架,将晶格结构编码为图并结合 Monte Carlo 数据训练,以直接预测准一维 Ising 系统磁化曲线及临界与阻挫特征。
2025-07-23 cond-mat.dis-nn cs.LG
MetaErr: Towards Predicting Error Patterns in Deep Neural Networks
Department of Computer Science(计算机科学系);Florida State University(佛罗里达州立大学)
本文提出MetaErr框架,通过训练元模型预测基础模型在特定数据样本上的成功或失败,提升多媒体应用的鲁棒性,并在三个基准数据集上优于现有方法。
2026-04-25 cs.AI cs.CV cs.LG
Central-Smoothing Hypergraph Neural Networks for Predicting Drug-Drug Interactions
Institute for Chemical Research, Kyoto University(京都大学化学研究所);Aalto University(阿尔托大学)
本文提出了一种名为CentSmoothie的超图神经网络,通过中心平滑方法联合学习节点和标签表示,以解决DDI预测中标签关系复杂及罕见标签预测困难的问题,并在模拟和真实数据集上验证了其性能优势。
2023-04-04 cs.LG q-bio.BM stat.AP
MR-GNN: Multi-Resolution and Dual Graph Neural Network for Predicting Structured Entity Interactions
预测结构化实体之间的相互作用是许多任务的核心,例如药物方案和新材料设计。近年来,图神经网络已成为引人注目的。它们将结构化实体表示为图,然后使用图卷积操作从每个单独的图中提取特征。然而,这些方法具有一些局限性:i)它们的网络仅从固定大小的子图结构中提取特征(即,固定大小的感受野),并且忽略不同大小的子结构中的特征,以及ii)通过独立地考虑每个实体来提取特征,这可能不能有效地反映两个实体之间的交互。为了解决这些问题,我们提出了MR-GNN,一个端到端的图神经网络,具有以下特点:i)它使用基于多分辨率的架构,从每个节点的不同邻域中提取节点特征,ii)它使用双图状态长短期记忆网络(L-STM)来总结每个图的局部特征,并提取成对图之间的交互特征。在真实世界数据集上进行的实验表明,MR-GNN改进了最先进方法的预测。
2019-05-23 cs.LG stat.ML
Predicting Winning Regions in Parity Games via Graph Neural Networks (Extended Abstract)
German Aerospace Center (DLR)(德国航空航天中心(DLR));University of Stuttgart(斯图加特大学)
针对奇偶博弈求解缺乏多项式最坏情况复杂度算法的问题,提出一种基于图神经网络的不完备多项式时间方法来确定获胜区域,在900个随机生成的博弈上验证了其有效性与高效性。
2023-07-27 cs.GT cs.LG
Predicting protein variants with equivariant graph neural networks
University of Cambridge(剑桥大学)
该研究针对蛋白质变体预测中结构与序列方法对比的空白,对比了EGNNs与序列方法识别潜力氨基酸突变的能力,发现结构方法训练数据更少但性能相当,且结合标记数据的趋势与序列预训练模型相似。
2023-07-24 cs.LG q-bio.BM
Predicting Music Track Popularity by Convolutional Neural Networks on Spotify Features and Spectrogram of Audio Waveform
Department of Mathematics and Computer Science(数学与计算机科学系);Amirkabir University of Technology (Tehran Polytechnic)(阿米尔卡比尔理工大学(德黑兰理工学院))
提出融合 Spotify 声学、元数据与用户参与特征的 CNN 模型预测曲目流行度,并在多流派、跨时期数据上取得 97% F1 分数。
2025-05-12 cs.AI cs.SD
DeepCrysTet: A Deep Learning Approach Using Tetrahedral Mesh for Predicting Properties of Crystalline Materials
SAKURA internet Inc.(樱花互联网公司);National Institute for Materials Science (NIMS)(国立材料科学研究所);The University of Tokyo(东京大学);RIKEN(理化学研究所);Kyoto University(京都大学)
针对图表示丢失晶体三维信息的问题,提出基于Delaunay四面体网格的深度学习框架DeepCrysTet,在分类和弹性属性预测上超越现有GNN模型。
2023-09-07 cond-mat.mtrl-sci cs.LG
StrainTensorNet: Predicting crystal structure elastic properties using SE(3)-equivariant graph neural networks
Chulalongkorn University(朱拉隆功大学)
本文提出StrainTensorNet,一种基于SE(3)-等变图神经网络的数据驱动方法,高效预测晶体弹性质,包括弹性模量、应变能量密度及弹性常数,并具备可解释性。
2023-11-10 cond-mat.dis-nn cond-mat.mtrl-sci cs.LG
Geometry aware inference of steady state PDEs using Equivariant Neural Fields representations
Airbus(空客);ISAE-Supaero(ISAE-苏普尔摩);Université de Toulouse(图卢兹大学)
提出enf2enf神经场方法,通过锚定局部潜在特征编码几何并解码连续物理场,实现对稳态偏微分方程的高效几何感知推断,在空气动力学和结构基准上表现优异。
2025-09-26 cs.AI cs.CV cs.LG
Predicting the Accuracy of Early-est Earthquake Magnitude Estimates with an LSTM Neural Network: A Preliminary Analysis
Istituto Nazionale di Geofisica e Vulcanologia(意大利国家地球物理与火山学研究所)
本报告对LSTM神经网络进行了初步分析,该网络旨在预测Early-est在地震发生后的第一分钟内计算的震级估计的准确性。
2021-05-26 cs.LG physics.geo-ph
Developing an Optimal Model for Predicting the Severity of Wheat Stem Rust (Case study of Arsi and Bale Zone)
Arba Minch University(阿尔巴明奇大学)
本研究使用BPNN、RBFNN和GRNN三种人工神经网络预测小麦秆锈病严重程度,发现GRNN预测有效且训练时间更短,且总季节降雨量促进病害发展。
2024-02-16 cs.AI cs.LG
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 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
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
A Graph-based U-Net Model for Predicting Traffic in unseen Cities
Bielefeld University(比勒费尔德大学)
准确的交通预测是实现交通管理的关键因素,例如重新安排车辆以减少道路拥堵或通过动态限速来调节交通以保持稳定的流量。表示交通数据的一种方式是以时间变化的热图的形式可视化交通属性,例如速度和流量。在最近的工作中,U-Net模型已经显示了SOTA在热图流量预测方面的性能。我们建议将U-Net架构与图形层相结合,与Vanilla U-Net相比,它可以提高对看不见的道路网络的空间概括。特别是,我们专门现有的图形操作是敏感的地理拓扑和概括池和上采样操作适用于图形。
2022-08-29 cs.AI cs.LG
Predicting Geographic Information with Neural Cellular Automata
Stanford University(斯坦福大学)
本文提出了一种新的框架,利用神经元自动机(NCA)的地理信息再生和预测。该模型扩展了使用NCA生成/再生特定图像的思想,通过使用各种地理数据训练模型,因此,以交通状况地图为例,该模型能够通过给出一定的诱导信息来预测交通状况。我们的研究验证了NCA与生物学中基因的相似性,而模型的创新大大拓宽了基于NCA的可能应用的边界。从我们的实验结果来看,该模型在其可用性和通用性方面显示了巨大的潜力,这是以前的研究所没有的。模型实现的代码可以在https://redacted上找到。
2020-09-20 cs.AI cs.CV cs.LG
Predicting Change, Not States: An Alternate Framework for Neural PDE Surrogates
Carnegie Mellon University(卡内基梅隆大学)
针对神经PDE替代模型直接预测下一状态的简化僵化问题,提出预测时间导数结合ODE积分器推进解的替代框架,提升了精细离散化场景的精度与稳定性,支持灵活时间步长,且广泛适用于不同模型和PDE。
2025-04-16 cs.LG
Predicting the Popularity of Online Videos via Deep Neural Networks
Alibaba Group(阿里巴巴集团)
预测在线视频的流行度对于视频流内容提供方来说是重要的。这是一个具有挑战性的问题,因为以下两个原因。一是问题既“广”又“深”。也就是说,它不仅依赖于广泛的特征,而且是高度非线性和复杂的。第二,可能涉及多个竞争对手。在本文中,我们提出了一个通用的预测模型,使用多任务学习(MTL)模块和关系网络(RN)模块,其中MTL可以减少过度拟合和RN可以模拟多个竞争对手的关系。实验结果表明,我们提出的方法显着提高预测的准确性与RN和MTL模块的电视剧的总观看计数。
2017-11-30 cs.LG
Cascade-LSTM: Predicting Information Cascades using Deep Neural Networks
University of South Florida(南佛罗里达大学)
预测动态社会环境中的信息流与当代社会的许多领域相关,从传播医疗保健信息到模因跟踪。虽然预测信息级联的增长已经在不同的社交平台上成功地解决了,但预测信息级联的时间和拓扑结构的探索有限。然而,准确预测有多少用户将发送特定用户的消息以及何时发送对于设计实用的干预技术至关重要。本文利用长短期记忆(LSTM)神经网络技术来预测信息级联的两个时空特性,即个体级信息传输的大小和速度。我们将这些预测算法与级联树的概率生成结合到一个生成测试模型中,该模型能够在Reddit和Github两个不同的平台上准确地生成级联树。我们的方法导致信息传递者的分类准确率超过73%,各种社交平台中的早期传递者的分类准确率为83%。
2020-04-26 cs.LG cs.SI
MambaNet: A Hybrid Neural Network for Predicting the NBA Playoffs
Michigan State University(密歇根州立大学);InStat Sports Performance Analysis Company(InStat运动表现分析公司)
在本文中,我们提出了Mambanet:一个混合神经网络预测篮球比赛的结果。与其他主要关注赛季比赛的研究相反,这项研究调查了季后赛。MambaNet是一种混合神经网络架构,它处理球队和球员比赛统计数据的时间序列,并生成球队赢得或输掉NBA季后赛的概率。在我们的方法中,我们利用特征模仿网络来提供游戏统计数据的潜在信号处理特征表示,以进一步处理卷积,递归和密集神经层。使用六个不同的数据集进行了三个实验,以评估我们的架构对广泛的以前的研究的性能和概括性。我们的最终方法成功地预测了AUC从0.72到0.82,大大超过了表现最好的基线模型。
2022-10-31 cs.LG
Beyond Textual Data: Predicting Drug-Drug Interactions from Molecular Structure Images using Siamese Neural Networks
The University of Texas at Dallas(德克萨斯大学达拉斯分校);Verisk Analytics, Inc.(韦里斯科分析公司);Duke University(杜克大学)
预测和发现药物相互作用(DDI)是一个重要的问题,并且已经从医学和机器学习的角度进行了广泛的研究。几乎所有的机器学习方法都集中在文本数据或药物结构数据的文本表示上。我们提出了第一个使用药物结构图像作为输入并利用Siamese卷积网络架构来预测DDI的工作。
2020-06-29 cs.LG stat.ML
Predicting Blossom Date of Cherry Tree With Support Vector Machine and Recurrent Neural Network
我们的项目探讨了温度和樱花开花日期之间的关系。通过建模,未来的开花将变得可预测,帮助公众计划旅行并避免花粉季节。为了准确预测樱花的开花日期,可以被视为一个多类分类问题,所以我们应用多类支持向量分类器(SVC)和循环神经网络(RNN),特别是长短期记忆(LSTM),制定问题。最后,我们评估和比较这些方法的性能,找出哪一个可能更适用于现实。
2022-10-10 cs.LG
Training Neural Networks Based on Imperialist Competitive Algorithm for Predicting Earthquake Intensity
Amirkabir University of Technology - Tehran Polytechnic(阿米尔卡比尔理工大学(德黑兰理工学院))
本研究以帝国竞争演算法(ICA)来决定神经网络的权值与偏置,以训练网路来预测里氏地震烈度。为此,我们采用了Berkeley数据库提供的发震时间、震中经纬度、震源深度、震中距震源中心距离等相关参数。所研究的神经网络有两个隐层:第一层有16个神经元,第二层有24个神经元。用ICA算法对测试数据进行处理,平均误差为0.0007,方差为0.318。用ICA算法的MSE准则预测里氏地震的误差为0.101,而用GA算法的MSE值为0.115。
2017-02-13 cs.LG cs.NE
Predicting Quantum Potentials by Deep Neural Network and Metropolis Sampling
Capital Normal University(首都师范大学);Yangzhou University(扬州大学)
机器学习和量子物理的杂交对这两个领域的方法论都产生了重要的影响。受量子势神经网络的启发,我们在这里提出通过将Metropolis采样与深度神经网络相结合来求解由本征态提供的薛定谔方程中的势,我们称之为Metropolis势神经网络(MPNN)。提出了一个损失函数,明确涉及的能量在优化其准确的评估。以谐振子和氢原子为基准,MPNN不仅在预测满足薛定谔方程的势能,而且在预测本征能量方面表现出优异的准确性和稳定性。我们的建议可以潜在地应用于从头算模拟,并逆求解物理学及其他领域的偏微分方程。
2021-08-08 cond-mat.str-el cs.LG quant-ph
Predicting Rigid Body Dynamics using Dual Quaternion Recurrent Neural Networks with Quaternion Attention
South Westfalia University of Applied Science(西南威斯特伐利亚应用科学大学)
我们提出了一种新的神经网络架构的基础上,双四元数,它允许一个紧凑的表示信息的主要重点是描述刚体运动。为了涵盖刚体运动固有的动态行为,我们提出了神经网络中的递归架构。为了进一步有效地模拟各个刚体之间的相互作用以及外部输入,我们采用了一种新的注意力机制,采用对偶四元数代数。所介绍的架构是可训练的梯度为基础的算法。我们将我们的方法应用到包裹预测问题,其中具有初始位置,方向,速度和角速度的刚体通过固定的模拟环境移动,该环境表现出包裹和边界之间的丰富相互作用。
2020-11-17 cs.LG
Predicting the Masses of Exotic Hadrons with Data Augmentation Using Multilayer Perceptron
Mimar Sinan Fine Arts University(米马尔·锡南美术大学)
最近,神经网络有了重大的发展,这导致了神经网络在物理学文献中的频繁使用。这项工作的重点是预测质量的奇异强子,双魅和底重子使用神经网络训练的介子和重子的质量,由实验确定。使用最近提出的人工数据增强方法对原始数据集进行了扩展。我们已经观察到,神经网络的预测能力随着增强数据的使用而增加。结果表明,数据增强技术在改善神经网络预测中起着至关重要的作用,而且神经网络对奇异强子、双魅重子和双底重子都能做出合理的预测.计算结果与高斯过程和组分夸克模型的计算结果也具有可比性。
2023-01-20 cs.LG hep-lat hep-ph
Neural Message Passing with Edge Updates for Predicting Properties of Molecules and Materials
Technical University of Denmark(丹麦技术大学)
在分子图上传递神经信息是预测分子和材料的形成能等性质的最有前途的方法之一。在这项工作中,我们扩展了神经消息传递模型的边缘更新网络,它允许原子之间交换的信息取决于接收原子的隐藏状态。我们基准三个公开可用的数据集(QM 9,材料项目和OQMD),并表明该模型产生优越的预测的形成能和其他属性的所有三个数据集相比,最好的公布的结果。此外,我们研究了不同的方法来构建用于表示晶体结构的图,我们发现,使用基于K-最近邻的图实现更好的预测精度比使用最大距离截止或Voronoi镶嵌图。
2018-06-08 cs.LG stat.ML
Predicting nonlinear reshaping of periodic signals in optical fibre with a neural network
Aston University(阿斯顿大学);Université de Franche-Comté(弗朗什-孔泰大学);Université de Bourgogne(勃艮第大学)
本研究提出基于神经网络的监督学习模型,可预测光纤中正弦信号经非线性传输后的时域与频域整形效果,覆盖两种色散 regime,还能快速探测参数空间以定制光梳或实现聚焦。
2023-03-16 cs.LG physics.optics
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 the impact of treatments over time with uncertainty aware neural differential equations
KU Leuven(鲁汶大学);Microsoft Research(微软研究院)
尽管最近在时间序列建模方面取得了重大进展,但仅从观察数据预测治疗的影响仍然是一个重大挑战。治疗分配通常与反应的预测因子相关,导致缺乏数据支持反事实预测,因此估计质量较差。因果推理的发展导致了通过要求最低水平的重叠来解决这种混淆的方法。然而,重叠很难评估,而且在实践中通常不令人满意。在这项工作中,我们提出了反事实ODE(CF-ODE),这是一种新的方法,可以使用配备不确定性估计的神经常微分方程来预测治疗随时间推移的影响。这允许具体评估哪些治疗结果可以可靠地预测。我们证明了几个纵向数据集,CF-ODE提供更准确的预测和更可靠的不确定性估计比以前可用的方法。
2022-02-24 cs.LG
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 purchasing intent: Automatic Feature Learning using Recurrent Neural Networks
Cardiff University(卡迪夫大学);Maynooth University(梅努斯大学)
我们提出了一个神经网络,用于预测在电子商务环境中的购买意图。我们的主要贡献是解决特征工程的重大投资,这通常与最先进的方法,如梯度提升机。我们使用可训练的向量空间来建模变化的、半结构化的输入数据,包括类别、数量和独特的实例。多层循环神经网络捕获任何长度的用户会话的会话-本地和队列-全局事件依赖性和关系。包括参数共享和跳过连接的模型设计决策的探索进一步提高了模型的准确性。在基准数据集上的结果提供了98%的最先进的分类精度,并超过了最先进的第二个,而不需要任何领域/特定于短和长事件序列的特征工程。
2018-07-21 cs.LG stat.ML
Predicting Customer Lifetime Value Using Recurrent Neural Net
Meta Platforms, Inc.(元平台公司);Amazon.com, Inc.(亚马逊公司);Uber Technologies, Inc.(优步科技公司)
本文提出一种考虑用户群组、系统年龄和日历日期的多单元 LSTM 式循环神经网络,用于预测 SaaS 新老用户在多时间跨度下的生命周期价值,并显著降低中位绝对百分比误差。
2025-01-05 cs.LG stat.AP stat.ML
Learning functionals via LSTM neural networks for predicting vessel dynamics in extreme sea states
Massachusetts Institute of Technology(麻省理工学院);Brown University(布朗大学)
船舶在极端海况下的运动预测是船舶水动力学中最具挑战性的问题之一。它涉及到计算复杂的非线性波体相互作用,因此繁重的计算资源。在这里,我们提出了一种新的模拟范例,通过训练递归型神经网络(RNN),将特定海况下的随机波浪高度作为输入,并输出主要船舶运动,例如,俯仰、起伏和滚动。我们首先比较了标准RNN与GRU和LSTM神经网络(NN)的性能,并表明LSTM NN具有最佳性能。然后,我们研究了两个代表性的船只,在海况1双体船和在海况8战舰的测试误差。我们证明,在这两种情况下,在预测船舶运动看不见的波高程实现了良好的精度。我们用昂贵的CFD模拟离线训练神经网络,但在训练后,可以在几分之一秒内获得对船舶动态的在线预测。这项工作的动机是泛逼近定理的泛函[1],这是第一次实现这样的理论,以现实的工程问题。
2019-12-23 cs.LG
MLT-LE: predicting drug-target binding affinity with multi-task residual neural networks
Nazarbayev University(纳扎尔巴耶夫大学);ITMO University(圣彼得堡国立信息技术机械与光学大学)
评估药物-靶标亲和力是药物发现和开发过程中的关键步骤,但通过实验获得此类数据既耗时又昂贵。由于这个原因,用于预测结合强度的计算方法正在被广泛开发。然而,这些方法通常使用单任务方法进行预测,从而忽略了可以从数据中提取并用于驱动学习过程的附加信息。此后,在这项工作中,我们提出了一个多任务的结合强度预测方法。我们的研究结果表明,这些预测确实可以受益于多任务学习方法,通过利用相关任务和多任务诱导正则化的附加信息。
2022-09-13 cs.LG
Multi-channel neural networks for predicting influenza A virus hosts and antigenic types
University of Liverpool(利物浦大学)
流感每个季节都会发生,偶尔会引起大流行。尽管流感的死亡率很低,但它是一个主要的公共卫生问题,因为它可以并发肺炎等严重疾病。一种快速、准确、低成本的方法来预测流感病毒的起源宿主和亚型,有助于减少病毒传播,使资源贫乏的地区受益。在这项工作中,我们提出了多通道神经网络来预测抗原类型和宿主的甲型流感病毒的血凝素和神经氨酸酶蛋白质序列。使用包含完整蛋白质序列的整合数据集来产生预训练模型,并且使用另外两个数据集来测试模型的性能。一个测试集包含完整的蛋白质序列,另一个测试集包含不完整的蛋白质序列。结果表明,多通道神经网络是适用和有前途的预测流感病毒宿主和抗原亚型的完整和部分蛋白质序列。
2022-07-29 cs.LG q-bio.QM
Predicting Electricity Consumption using Deep Recurrent Neural Networks
Murdoch University(莫道克大学)
在过去几十年中,电力消耗呈指数级增长。这一增长给电力分销商带来了沉重的负担。因此,预测未来的电力消费需求将为电力分销商提供优势。预测电力消耗需要许多参数。本文提出了两种方法,一种是使用递归神经网络(RNN),另一种是使用长短期记忆(LSTM)网络,它只考虑以前的用电量来预测未来的用电量。这些模型在公开的伦敦智能电表数据集上进行了测试。为了评估RNN和LSTM网络预测电力消耗的适用性,我们对它们进行了测试,以预测给定时间段内的单个房屋和一组房屋。这些预测是针对每日、三个月和13个月进行的,涵盖了短期、中期和长期预测。RNN和LSTM网络的平均均方根误差都达到了0.1。
2019-09-18 cs.LG eess.SP stat.ML
Predicting Traffic Accident Severity with Deep Neural Networks
School of Engineering and Computer Science(工程与计算机科学学院);Department of Computer Science(计算机科学系);Baylor University(贝勒大学)
本研究针对交通事故严重程度分类任务,结合自编码器特征降维与全连接网络构建深度模型,在不平衡事故数据上实现了最高92%的交叉验证分类准确率。
2025-09-04 cs.LG
Mixing Neural Networks and Exponential Moving Averages for Predicting Wireless Links Behavior
National Research Council of Italy(意大利国家研究委员会);Politecnico di Torino(都灵理工大学);Technische Hochschule OWL(奥WL应用科学大学);Institute Industrial IT(工业IT研究所)
本研究提出两种用于密集室内Wi-Fi链路质量预测的神经网络模型,实验证明其能捕获阴影和多径传播等复杂模式,准确性优于基于指数移动平均的传统方法,有助于提升工业无线通信的确定性与可靠性。
2024-11-17 cs.LG cs.NI
Predicting the spread of COVID-19 in Delhi, India using Deep Residual Recurrent Neural Networks
Louisiana Tech University(路易斯安那理工大学)
检测冠状病毒的传播将大大有助于减少人类和经济损失。不幸的是,用于COVID-19预测模型的现有流行病学模型太慢,无法详细捕捉COVID-19的发展。本研究使用偏微分方程来提高SEIRD模型方程所支配的COVID 19预测的处理速度和准确性。使用卷积神经网络和深度残差循环神经网络从使用偏微分方程模拟的数据中提取COVID 19的动态。DRRNN的准确性是使用均方误差来测量的。DRRNN COVID-19预测模型已被证明具有准确的COVID-19预测。此外,我们得出结论,DR-RNN可以显著提高实时的COVID-19预测中支持决策的能力。
2021-10-09 cs.LG
Predicting Food Security Outcomes Using Convolutional Neural Networks (CNNs) for Satellite Tasking
获得可靠的数据,描述当地的粮食安全(FSM)的粒度,是信息决策者需要昂贵的和后勤困难的调查,特别是在发展中国家。我们训练一个CNN公开可用的卫星数据描述土地覆盖分类,并使用迁移学习和直接训练建立一个模型,FSM预测纯粹从卫星图像数据。然后,我们提出了有效的任务分配算法,高分辨率卫星资产通过迁移学习,马尔可夫搜索算法,贝叶斯网络。
2019-04-25 cs.CV cs.LG