基于功能网络信息传播预测疾病-miRNAs的关联

为了快速发现与疾病关联的miRNA, 基于功能网络信息传播,提出PMBP算法用于改进随机游走法,使用留一交叉验证评估了算法性能,最后进行案例分析.实验结果表明:对于尚未发现关联miRNA的疾病,随机游走法是失效的,而PMBP以疾病相似性作为先验信息,能够有效预测;对于已经关联miRNA的疾病,PMBP提高了预测性能,AUC值为0.866.对乳腺癌进行案例分析,预测的前50个miRNAs都被证实与乳腺癌相关,体现了PMBP算法的有效性.     

基于微生物转移网络的疾病检测算法

针对疾病检测方法中忽略微生物潜在关联问题,提出一种基于微生物转移网络的新型图神经网络算法(SAGE-O-N)用于疾病检测。算法利用微生物测序信息的相似性特征构建微生物转移网络,使用图结构数据挖掘算法发掘相似性与表型关联。实验结果表明,与传统机器学习方法相比,SAGE-O-N在单种疾病上的受试者工作特征曲线面积(Area Under Curve, AUC)提高了约2%,在并发症数据集中AUC提高约4%。     

基于网络拓扑相似性预测潜在致病基因

相关疾病基因的发现和预测是人类基因组研究的重要目标.近些年,一些研究者通过基于网络结构的方法来解决这个难题.然而,大多数方法在推理过程中仅使用了局部的网络信息,并且仅限于推理单一基因的关联.并且这些方法很少考虑到疾病-基因关联网络的网络拓扑性.笔者提出一种改进的基于二部图网络结构推理(improved network-based inference)的计算方法.该方法基于已知的疾病-基因网络拓扑相似性来发现更多潜在致病基因.文中使用的是OMIM数据库中的203种疾病的数据,通过留一交叉验证法验证实验,并获得了88.9%的AUC值.与文中提到的另外两种方法相比,该文方法能够有效地预测潜在致病基因.     

基于结构化深度聚类网络的 miRNA-疾病关联预测

提出一种结构化深度聚类网络模型来预测microRNA(miRNA)和疾病的关联。模型将miRNA和疾病的集成相似性投入自编码器，将自编码器的输出通过传递算子传递到图卷积层，利用双重监督机制对模型进行训练。5折交叉验证结果显示，该模型分别在HMDD v2.0和HMDD v3.0数据集上平均AUC(Area Under the Curve)值分别为93.23%和94.58%。     

基于深度置信网络的车辆交通流预测

提出了一种新的基于深度置信网络的交通流预测方法,利用深度置信网络良好的训练和预测性能,能够很好地学习时序数据集的内部特征,从而准确地预测交通数据流.为了验证算法的有效性,在PeMS数据集上对算法进行了实验测试,并同其他相关预测和分析方法进行了比较,实验结果表明新算法具有较好的预测性能.     

基于LGC的lncRNA-疾病关联预测

针对现有预测模型的局限性，结合图卷积推荐算法提出一种预测lncRNA和疾病关联关系的模型LGCLDA,使用疾病相关的lncRNA、基因和miRNA信息，构建疾病综合特征。利用图进行疾病信息嵌入提取，实现对潜在与疾病相关的lncRNA的推荐。在相同数据集上采用五折交叉验证法与现有预测模型MHRWR、 SIMCLDA、 ILNCSIM进行比较，提出的模型将AUC值分别提高了15.9%、8.8%、67.0%。对乳腺癌进行了详细的案例研究，预测结果得到了最近的生物医学文献的证明，进一步表明了算法的有效性。     

矩阵填充结合相似性约束的抗癌药物敏感性预测①

为了进行抗癌药物敏感性预测,提出了一种基于矩阵填充与相似性约束的抗癌药物敏感性预测模型——MS模型。该模型综合利用细胞系基因表达数据以及药物化学结构信息,并结合药物与细胞系之间的相似性信息,对抗癌药物敏感性进行预测。将模型应用于CCLE和GDSC这两个基准数据集,十倍交叉验证结果显示:MS模型的预测性能优于部分已发表的经典模型。     

基于层级特征与相似性估计的跟踪器

针对多目标跟踪中存在的小目标易漏检和遮挡问题造成的身份切换等问题,沿用经典的基于检测跟踪(tracking-by-detection)框架,提出了一种基于深度学习的数据关联方法。利用深度学习特征提取的能力,在基于行人检测基础上设计了层级特征提取相似性估计的多目标跟踪器。通过端到端的方式提取跟踪物体的层级特征,并计算不同帧物体间特征的相似性,得到相似性矩阵。再利用匈牙利算法根据相似性矩阵完成最优指派问题,实现数据关联部分。实验结果表明,所设计跟踪器缓解了目标跟踪过程中由于遮挡问题带来的跟踪物体身份切换问题,并且在MOT16数据集上取得了较好的效果。     

基于特征稀疏化的粉尘图像深度预测

【目的】针对粉尘环境中单幅图像深度预测精度低的问题，提出了一种基于输入特征稀疏化的粉尘图像深度预测网络。【方法】使用粉尘图像的直接传输率与深度的关系设计预估计深度网络，利用图像颜色衰减先验原理进一步获取粉尘图像的稀疏深度特征。将该稀疏深度特征与粉尘图像一起作为深度预测网络的输入。深度预测网络以“编码器-解码器”为模型框架，编码器中使用残差网络(ResNet)对粉尘图像进行编码，设计融合通道注意力机制的稀疏卷积网络对稀疏深度特征进行编码。解码器中采用反卷积以及多尺度上采样的方法，以更好的重建稠密的深度信息。使用最小绝对值损失和结构相似性损失作为边缘保持损失函数。【结论】在NYU-Depth-v2数据集上的实验结果表明该方法能够从粉尘图像中有效预测深度信息，平均相对误差降低到0.054,均方根误差降低到0.610,在δ<1.25时准确率达到0.967.     

几种交叉验证检验的可重复性

文章基于UCI数据库中10个常用的数据集对用于算法性能对照时五种交叉验证检验方法的可重复度量进行了比较研究，实验结果表明K折交叉验证（K=2，5，10）t检验随着折数的增大可重复性增大，在相同的计算复杂度下5×2交叉验证F检验和10折交叉验证t检验在大多数情形下有比5×2交叉验证t检验更高的可重复性．     

基于深度自动编码器的多标签分类研究

在多标签分类的相关研究中,由于现有的基于网络表示学习算法的相关方法只利用了网络中节点之间的邻接领域信息,而没有考虑到节点之间的结构相似性,从而导致分类准确性较低,因此,本文提出一种基于深度自动编码器的多标签分类模型。该方法首先利用轨迹计算算法(Orca)计算不同规模下网络中节点的结构相似性,作为深度自动编码器的输入来改进隐藏层中的向量表示,保留网络的全局结构;然后利用节点的邻接领域信息在模型中进行联合优化,从而能有效地捕捉到网络的高度非线性结构;最后根据隐藏层得到节点的向量表示,利用支持向量机对节点进行多标签分类。验证实验采用3个公开的网络数据集,实验结果表明,与基准方法相比,本文方法在多标签分类任务中能取得更好的效果。     

卷积神经网络在MRl图像诊断中的应用

基于卷积神经网络对颅内组织器官疾病诊断提出了创新思路.选取帕金森病患者图像通过灰度映射、直方图均衡化、改进的小波去噪、图像增强等预处理,以VGG-Net网络模型为基础设计并搭建卷积神经网络,采取正则化策略避免过拟合问题,用患者MRI图像集对网络模型进行5次十折交叉验证,同时通过反卷积网络实现特征可视化,挖掘疾病潜在特征.实验结果和客观评价表明,本文搭建的网络可根据患者MRI图像实现良好的辅助诊断.     

基于异构图神经网络的药物重定位研究

提出了一种基于异构图神经网络(HGNN)的药物重定位方法。该方法对药物-疾病关联网络、药物-药物相似性网络和疾病-疾病相似性网络的信息进行并行融合，有效地保留了各个网络的信息。此外，针对图卷积神经网络(GCN)提取信息能力的不足，本工作加入了图注意力网络(GAT)和层注意力机制，增强了特征提取能力，进一步提高了模型的预测性能。实验验证表明，提出的网络在Fdataset上达到了94.4%的AUROC和57.0%的AUPRC,在Cdataset上达到了95.9%的AUROC和65.3%的AUPR,超过了现有的基准方法。     

胶囊网络下基于三元损失的图像相似性学习

学习细粒度图像相似性是机器学习中一项富有挑战性的任务,尤其是相似性很高的同类图像.本文提出了基于三元损失函数和胶囊网络的图像相似性学习方法,三元损失能够反映图像之间的"相对"相似性,而胶囊网络比普通深度学习网络具有更优的图像特征提取能力,将两者有机结合在一起形成的新型网络能够很好地完成图像相似度的学习任务.实验结果表明,本文提出的新方法相比于一般的深度学习方法,准确率有很大地提高.     

基于改进残差网络的癫痫脑电自动识别算法

为了提高癫痫脑电图(EEG)的识别精度，提出一种基于改进残差网络的癫痫脑电自动识别算法。首先对EEG信号进行归一化，然后利用改进的残差模块构建一维深度残差网络，将其用于自主学习EEG的内在特征，最后利用Softmax分类器实现癫痫的自动识别。为了评估模型的性能，采用十折交叉验证对波恩大学的癫痫数据集进行实验。实验结果表明，该算法能够有效识别癫痫EEG类别，具有较高的识别准确率。     

基于多尺度特征提取的单目图像深度估计

在目前基于深度学习的单目图像深度估计方法中,由于网络提取特征不够充分、边缘信息丢失从而导致深度图整体精度不足。因此提出了一种基于多尺度特征提取的单目图像深度估计方法。该方法首先使用Res2Net101作为编码器,通过在单个残差块中进行通道分组,使用阶梯型卷积方式来提取更细粒度的多尺度特征,加强特征提取能力;其次使用高通滤波器提取图像中的物体边缘来保留边缘信息;最后引入结构相似性损失函数,使得网络在训练过程中更加关注图像局部区域,提高网络的特征提取能力。在NYU Depth V2室内场景深度数据集上对本文方法进行验证,实验结果表明所提方法是有效的,提升了深度图的整体精度,其均方根误差(RMSE)达到0.508,并且在阈值为1.25时的准确率达到0.875。     

融合多尺度注意力和双向LSTM的行人重识别

将深度学习应用于行人重识别领域,嵌入多尺度注意力融合模块至神经网络中进行多尺度特征提取和表示,可有效提升注意力机制对深度学习网络的识别性能。提出了一种基于SE block的多尺度通道注意力融合模块,并结合ResNet50卷积神经网络提取特征;然后通过双向LSTM网络进一步提取特征序列上下文信息,在提高模型对图像重要特征的提取能力的同时,降低对图像冗余特征的关注度;最后使用级联难采样三元组损失函数和交叉熵损失函数共同训练网络模型,使样本能够在高维特征空间中实现聚类,进一步提升模型识别准确性。所提出算法在Market1501数据集和CUHK03数据集分别进行实验,并在同等条件下和其他注意力模块算法进行比较。为进一步验证各模块作用,对算法进行消融实验,以验证各模块的有效性,实验结果表明,所提出方法可有效应用于行人重识别     

基于深度学习的恶意代码检测可解释性研究

针对深度学习模型无法解释其是否提取到了关键特征的问题，该文从建模之前和建模之后2个层面对基于深度学习的恶意代码检测进行了可解释性研究。在建模之前，通过对二进制文件进行可视化分析，发现恶意代码的图像模态特征存在着明显的同类相似性和类间差异性，验证了运用深度学习模型进行图像模态特征恶意代码检测的可行性。在建模之后，提出了一种基于梯度加权类激活映射(Grad-CAM)的恶意代码检测可视化可解释性方法，在视觉直观上和统计分析上说明了基于深度学习的恶意代码检测具有可解释性。     

基于Transformer增强卷积的膝关节磁共振影像年龄预测

年龄预测是临床医学中的一个重要课题和非常活跃的研究领域.最近，由于传统影像学检查中电离辐射的缺点，越来越多的研究使用磁共振影像进行年龄预测.本文基于膝关节MRI数据集，提出了一种新的端到端网络，结合卷积神经网络和Masked-Transformer网络互补地来提取局部特征和全局依赖，并使用一个特征聚合模块来聚合不同局部膝关节MRI切片的特征.通过整合卷积神经网络的特征图和视觉Transformer分支的特征编码，特征提取模块可以互补地提取局部和全局信息，更好地提取与年龄相关的特征.同时，该网络使用由图注意力网络组成的特征聚合模块，用于在特征级别集成不同MRI切片的局部特征，实现多切片局部特征之间的交互.大量实验表明，该方法可以在膝关节MRI年龄估计任务中达到最先进的性能.具体而言，本文方法在MRI数据集上进行了测试，该测试集包括44个年龄在12.0～25.9岁之间的膝关节MRI样本，其中五折交叉验证的最佳结果是年龄平均绝对误差为1.57±1.34岁.     

时态网络节点相似性度量及链路预测算法

详细分析和阐述了时态网络中的链路预测问题，将时态网络按时间顺序划分为具有相同时间间隔的多层网络快照序列.针对基于共同邻居的相似性指标对网络链路刻画粒度较粗糙的问题，提出了基于邻居节点聚类系数的相似性度量指标NCC和NCCP，并基于此提出时态网络链路预测算法.通过在真实数据集上的对比实验验证了利用邻居节点的聚类信息可以提高预测精度.利用真实邮件数据集验证了所提出的链路预测算法预测效果的优越性，并且实验结果证明越接近预测时间的网络结构对预测结果影响越大.