最近发现了一篇优秀的Nature子刊论文,作者提出了一种基于可解释GNN癌症基因分析新框架,在预测任务中实现了卓越的性能表现。
除此之外,还出现了很多可解释GNN的新研究,其中顶会不少,可见无论在学术界和工业界,这方向都相当受欢迎。这是因为可解释GNN不仅能处理复杂数据关系、辅助决策制定,也能促进模型优化、加强用户对模型的信任,在医疗诊断和金融分析这些领域拥有超绝竞争力。
CGMega: explainable graph neural network framework with attention mechanisms for cancer gene module dissection
方法:论文提出了一种新的多组学数据整合方法CGMega,通过有效整合基因组、表观基因组、蛋白质相互作用和3D基因组结构,提升了癌症基因预测的性能。CGMega展示了在不同癌症类型间的知识迁移能力,证实其在预测癌症基因和解析基因模块方面的有效性。
创新点:
-
利用图注意力和图解释技术开发了一种新框架CGMega,用于研究癌症基因模块。
-
有效整合多组学数据,包括基因组、表观基因组、蛋白质相互作用(PPIs)及3D基因组结构。
-
通过GNNExplainer实现对癌症基因模块的检测,提供对高阶基因模块的深入解析。
Graph Neural Networks for Vulnerability Detection: A Counterfactual Explanation
方法:论文通过引入CFExplainer,提出了一种基于反事实推理的解释器,旨在通过识别代码图的最小扰动来改变GNN模型的漏洞检测预测,从而回答关键的“如果…会怎样”的问题,填补了现有研究在解释深度学习模型中的缺口。
创新点:
-
提出CFExplainer:这是一个利用反事实推理来解释GNN在漏洞检测中预测的新方法。
-
边缘剪枝技术:开发了一种新的技术来识别和剪枝代码图中的恶意边缘。
-
模型无关性:CFExplainer不需要访问GNN模型的内部信息,使其适用于各种黑盒模型。
SES: Bridging the Gap Between Explainability and Prediction of Graph Neural Networks
方法:论文提出了一种自解释和自监督的GNN(SES),旨在解决现有图神经网络(GNNs)解释性和预测性能之间的差距,通过两个阶段的训练过程,即解释性训练和增强预测学习,SES利用全局掩码生成器提供可靠的实例级解释,并通过对比学习显著提升GNNs的预测准确性。
创新点:
-
提出了一个能够同时提供解释和预测的图神经网络(SES),解决了现有方法中解释性和预测性之间的脱节问题。
-
SES能够在训练过程中直接生成特征和结构的掩码,这些掩码有助于解释模型的决策过程。
-
通过使用对比学习增强模型的预测性能,使得解释信息能够反馈并提升模型的训练效果。
Explainable Global Wildfire Prediction Models using Graph Neural Networks
方法:论文提出了一种新颖的图神经网络(GNN)结合LSTM的可解释方法,用于全球野火预测,利用JULES-INFERNO模拟数据,通过将气候和野火数据表示为图形,解决了现有模型在处理海洋数据缺失和长距离依赖上的不足,展示了更高的预测准确性和解释性。
创新点:
-
提出了一个结合图神经网络和时间序列预测的混合模型,用于全球野火预测。
-
创新性地将气候和野火数据转化为图形结构,有效处理了数据缺失和远距离依赖问题。
-
通过特征和社区检测,模型能解释其预测结果,提高了决策的透明度。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。