- 博客(6)
- 收藏
- 关注
RSS订阅原创 交通流预测
提出了一种动态自适应和对抗性图卷积网络。图卷积网络（GCN）与生成对抗网络（GAN）相结合，用于交通流量预测。具体来说，利用通用范式与门模块，将时变嵌入与节点嵌入整合在一起，生成动态自适应图，用于推断时空依赖关系。然后，设计两个的一致性。预测时间序列的全局属性和统计数据与序列和图层面的基本事实保持一致。在四个基准数据集上的广泛实验表明提出模型的平均性能优于最先进的5.05%、3.80% 和 5.27%。同时，收敛速度提高了 9 倍。
2024-04-25 19:14:19
119
原创 交通流预测
提出了一种名为渐进图卷积网络的新型交通预测框架。通过在训练和测试阶段逐步适应在线输入数据来构建一组图。具体来说，我们通过学习图节点间的趋势相似性来构建渐进邻接矩阵。然后，该模型与扩张因果卷积和门控激活单元相结合，提取时间特征。通过残差连接和跳过连接，可以进行交通预测。结论是逐步适应输入数据的能力使该模型能够在不同的研究地点进行稳健的泛化。
2024-04-25 19:13:46
97
原创 交通流预测
主要构件是三种注意力层，分别称为时间自我注意力（TSA）、空间自我注意力（SSA）和时间编码器-解码器注意力（TEDA）。TEDAs 由解码器使用，允许解码器中的每个位置在时间上关注输入序列中的所有位置。为了提高模型对时间和空间条件的洞察力，空间-时间嵌入（Space-Temporal Embeddings，STE）是从外部属性中学习的，外部属性由时间属性（如顺序、时间）和空间属性（如拉普拉斯特征图）组成。然后，所有注意力层通过元学习利用这些嵌入，从而赋予这些层空间-时间异质性感知（STHA）属性。
2024-04-25 19:13:15
131
原创 交通流预测
提出了一种a novel multiview spatial-temporal trans-former 网络，可以有效地从多个视角学习复杂的时空域相关性和潜在模式。首先，我们检查了一个时间视图，并从短时子视图中设计了一个短程门控卷积分量，从沿时子视图中设计了一个长程门控卷积分量。同时，在空间视图中，我们设计了一个双图空间学习模块，分别从静态和动态图子视图中捕捉节点的固定和动态空间依赖关系，以及边的演变模式。此外，我们还进一步设计了空间-时间转换器，通过多视图知边融合挖掘不同层次的空间-时间特征。
2024-04-25 19:12:45
117
原创 药物标靶亲和力预测
提出了一种Molecular Interaction Transformer来解决这些限制，通过：（i）知识启发的子结构模式挖掘算法和交互建模模块，以实现更准确和可解释的 DTI 预测，以及（ii）增强变压器编码器，以更好地提取和捕获从大量未标记的生物医学数据中提取的子结构之间的语义关系。我们根据真实数据评估 MolTrans，并表明与最先进的基线相比，它提高了 DTI 预测性能。
2024-04-25 19:12:07
182
原创 药物标靶亲和力预测
提出了一种新的基于注意力的模型，即药物-靶标亲和力的变压器编码器和指纹组合预测方法来预测键合和非键合药物-靶标相互作用的结合亲和力。对于广泛使用的数据集 Davis，本研究的另一个贡献是我们提供了一个手动校正的 Davis 数据库。结果表明，与单独使用 BindingDB 数据相比，现有方法有了显着改进，预测非共价结合亲和力平均提高了 7.6%，预测共价结合亲和力平均提高了 62.9%。预测结果表明，我们的模型对于区分因化合物结构的微小变化而产生的结合亲和力的差异很敏感。
2024-04-25 19:09:27
123
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人