CN115938505A - 基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法及系统 - Google Patents
基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法及系统 Download PDFInfo
- Publication number
- CN115938505A CN115938505A CN202211374345.4A CN202211374345A CN115938505A CN 115938505 A CN115938505 A CN 115938505A CN 202211374345 A CN202211374345 A CN 202211374345A CN 115938505 A CN115938505 A CN 115938505A
- Authority
- CN
- China
- Prior art keywords
- neural network
- block
- information
- chemical
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法及系统,属于生化信息技术领域。方法包括以下步骤:分子图经过消息传递块进行处理,消息传递块是由I个残差块组成,每个残差块都是基于块的图神经网络;通过节点环境混合模块进行信息处理,求取原子b周围化学环境的隐藏信息,采取类似消息传递块中的多头注意力与残差块相结合的方式来获取目标信息;通过化学指纹读出部分获得化学指纹,得到用于分子性质预测的分子指纹。本发明得到了更好的分子性质预测结果,提供了一种具有明显优势药物筛选方法。
Description
技术领域
本发明涉及一种基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法及系统,属于生化信息技术领域。
背景技术
分子性质的预测对于药物的发现设计很重要。在过去,分子的性质通常是通过专门的预测方程来计算的,这是一个昂贵而漫长的过程。因此,我们利用计算机对药物理论进行仿真对整体药物研发控制成本、加快进度具有很大的帮助。分子性质预测的算法包括传统的机器学习方法和图神经网络。传统的方法是通过化学领域专业知识获得的人工制作的分子描述符来描述了每个原子的化学环境或整体构象。这些描述符通常用经典的方法进行处理,以获得原子上或结构上的目标。图神经网络是基于深度学习的方法,它是图的基础上进行处理。我们将图神经网络于分子性质预测时,图神经网络仅以分子图作为输入,几乎不需要进行人工进行特征加工。虽然整体过程进行了简化,但表现出明显优于以前的机器学习模型,这显示了利用分子图进行分子性质预测的良好前景。
发明内容
本发明目的是提供了一种基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法及系统。本发明将神经网络常采取的块结构与多头注意力机制进行结合对分子图进行处理。多头注意力机制可以提取更多子空间的特征信息,块结构可以缓解随着网络精度增加而普遍存在的网络退化问题。
本发明为实现上述目的,通过以下技术方案实现:
一种基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法,包括以下步骤:
S1. 分子图经过消息传递块进行处理,消息传递块是由I个残差块组成,每个残差块都是基于块的图神经网络,基于块的图神经网络的整体架构分别由定向键消息传递部分、前馈神经网络、和层组成;
S2. 通过节点环境混合模块进行信息处理,求取原子b周围化学环境的隐藏信息,采取类似消息传递块中的多头注意力与残差块相结合的方式来获取目标信息;
S3. 通过化学指纹读出部分获得化学指纹,得到用于分子性质预测的分子指纹:
S31. 融合了原子的坐标信息参与原子的特征表达;
S32. 采用transformer结构聚合每个原子周围化学环境的隐藏信息即分子指纹。
上述基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法基础上,图神经网络的整体架构中化学键ab即由原子a指向原子b的初始隐藏状态,的计算公式如下:
其中,代表初始状态下的化学键ab的边缘特征信息;
代表原子a的特征信息;
代表化学键ab的特征信息,在第一次传递信息时,输入的化学键信息为,它是化学键ab的初始信息得到,在之后的传递信息过程中,是由上一个消息传递块获得;
是多头注意力机制中单个注意力头输出向量的维度,是与注意力头数量的乘积,代表化学键ab的位置特征信息,代表化学键ab的位置向量,,代表层归一化,是激活函数。
上述基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法基础上,在定向键消息传递过程中,将作为多头注意力机制的输入,求得,最终经L次迭代后获得化学键ab代表的隐藏消息。
上述基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法基础上,相关公式如下:
a. 查询矩阵Q,键矩阵 K 和价值矩阵 V是通过学习矩阵处理后得到,缩放点乘法的查询向量和键向量被用作处理由化学键ca指向化学键ab的注意力机制的输入值;
b. 采用softmax函数处理本部分所含化学键代表的注意力分数;
c. 将所有的价值向量进行权重加和,加和结果用作化学键ab向下一步传递的消息,得到第n个注意力头的输出值。
上述基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法基础上,第n个注意力头的输出值的计算方式如下:
,
其中,
;
把全部的注意力头的输出进行串联,对串联结果进行处理获得:,其中;获得后,进行过渡处理,这一部分由前馈神经网络、边级批次归一化层和激活函数组成通过这一部分求取每个化学键的隐藏信息的残差信息,,代表边水平批次归一化操作;
获得后,采用跳跃连接得到,公式如下:,作为输入进入下一个残差块中,经过I个残差块处理过后,得到最终的输出经化学键ab的隐藏特征向量。
上述基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法基础上,S2具体过程如下:
首先,利用原子b的初始信息,计算原子b周围化学环境的初始隐藏信息,公式如下:
其中,
本部分所用多头注意力机制类似于消息传递块,查询向量是由原子隐藏得到,相应的键向量和价值向量是由化学键ab代表的隐藏向量和原子周围环境隐藏向量计算出的;
每个注意力头的输出公式如下:
;
接下来先将每个注意力头进行串联输出,再经过渡操作获得残差向量,
其中,代表节点水平批次归一化操作;
最后我们对进行残差连接获得,,
经F个残差块进行更新后,获得原子b的周围化学特征隐藏信息。
上述基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法基础上,S32具体过程如下:
首先,获取transformer的初始输入,原子b周围化学环境的隐藏信息的初始状态,公式如下:
;
接下来,假设一个分子含有n个原子,我们将一个随机向量嵌入到一个分子中的当中,公式如下:
,
其中,
,是一个用作化学指纹的可学习随机向量,通过T个transformer层的连续计算得到,选取作为分子化学指纹,利用对进行处理,最终获得原子的性质预测结果。
实现所述基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法的系统,包括消息传递块、节点环境混合模块和分子指纹获取模块,消息传递块是由I个残差块组成,每个残差块都是基于块的图神经网络,基于块的图神经网络的整体架构分别由定向键消息传递部分、前馈神经网络、和 层组成;节点环境混合模块采取类似消息传递块中的多头注意力与残差块相结合的方式来获取目标信息;分子指纹获取模块采用transformer结构聚合每个原子周围化学环境的隐藏信息。
本发明的优点在于:
(1)在消息传递块中,我们整体采用了残差块设计,并在当中通过跳跃连接和归一化处理来减少网络退化问题。根据本文的传递网络的特点,我们提出了边级批次归一化。
(2)在消息传递块中,我们采用以定向化学键为中心的消息传递模式,这样可以避免在节点传递消息中出现的消息的重复传递。
(3)在框架利用定向化学键消息传递和获取分子化学指纹时,我们均采用了多头注意力机制,相比普遍采用的直接求和与set2set的方法,这样的方法可以提取更丰富的化学特征信息,并更加合理的融合这些信息,最终获取表达能力更强的化学信息。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1是本发明实施例文框架示意图;
图2是本发明实施例基于块结构的图神经网络的整体架构;
图3是本发明实施例定向键消息传递示意图;
图4是本发明实施例不同归一化方式示意图;
图5是本发明实施例节点环境混合模块示意图;
图6是本发明实施例节点混合模块多头注意力机制示意图;
图7是本发明实施例初始信息聚合示意图;
图8是本发明实施例transformer层结构示意图;
图9是为本发明实施提供的评估效果与目前先进的分类模型对比效果图;
图10是本发明实施例 BBBP数据集实验结果的ROC曲线比较。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施案例选用BBBP (Blood-brain barrier penetration) 数据集。数据集由分子式与分子式标签共同构成,分子式分类标签有0和1两种,最终预测结果也由输出0和1来表示。
本发明基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法的整体架构如图1所示,本发明中包括的分子定向信息描述符的生成和卷积神经网络的运行包括以下步骤:
1.第一步, 分子图经过消息传递块进行处理,消息传递块是由I个残差块组成,每个残差块都是基于块的图神经网络,图2所示基于块的图神经网络的整体架构分别由定向键消息传递部分、前馈神经网络、和 层组成。
实施例中,图神经网络的整体架构中定向键消息传递部分多头注意力机制,其架构如图3所示,化学键ab即由原子a指向原子b的初始隐藏状态,的计算公式如下:
其中,代表初始状态下的化学键ab的边缘特征信息;
代表原子a的特征信息;
代表化学键ab的特征信息,在第一次传递信息时,输入的化学键信息为,它是化学键ab的初始信息得到,在之后的传递信息过程中,是由上一个消息传递块获得;
是多头注意力机制中单个注意力头输出向量的维度,是与注意力头数量的乘积,代表化学键ab的位置特征信息,代表化学键ab的位置向量,,代表层归一化,是激活函数。
本实施例中,在定向键消息传递过程中,将作为多头注意力机制的输入,求得,最终经L次迭代后获得化学键ab代表的隐藏消息。具体相关公式如下:
a. 查询矩阵Q,键矩阵 K 和价值矩阵 V是通过学习矩阵处理后得到,缩放点乘法的查询向量和键向量被用作处理由化学键ca指向化学键ab的注意力机制的输入值;
b. 采用softmax函数处理本部分所含化学键代表的注意力分数;
c. 将所有的价值向量进行权重加和,加和结果用作化学键ab向下一步传递的消息,得到第n个注意力头的输出值。
本实施例中,第n个注意力头的输出值的计算方式如下:
,
其中,
;
把全部的注意力头的输出进行串联,对串联结果进行处理获得:,其中;
如图2所示,获得后,进行过渡处理,这一部分由前馈神经网络、边级批次归一化层和激活函数组成通过这一部分求取每个化学键的隐藏信息的残差信息,,代表边水平批次归一化操作;本实施例中,在标准归一化的基础上推出了节点水平归一化,如图4(a)是批次归一化示意图,C代表通道数,N代表样本数,W,H分别代表处理目标的宽度和高度,分子图没有宽度和高度,如图4(b)所示,节点水平批次归一化中,C代表化学键的特征信息的通道数,N同一批次中代表分子图的样本数,A代表分子图中的原子数,由于本文实验采用以化学键为中心的消息传递方式,我们提出了边水平批次归一化来适应本文实验需要,如图4(c)所示,归一化参数B为化学键的数量;
获得后,采用跳跃连接得到,公式如下:,作为输入进入下一个残差块中,经过I个残差块处理过后,得到最终的输出经化学键ab的隐藏特征向量。
2.第二步,通过节点环境混合模块进行信息处理,如图5所示,在本模块中,目的是求取原子b周围化学环境的隐藏信息,采取类似消息传递块中的多头注意力与残差块相结合的方式来获取目标信息。
首先,利用原子b的初始信息,计算原子b周围化学环境的初始隐藏信息,公式如下:
其中,
本部分所用多头注意力机制类似于消息传递块,查询向量是由原子隐藏得到,相应的键向量和价值向量是由化学键ab代表的隐藏向量和原子周围环境隐藏向量计算出的。
如图6所示,每个注意力头的输出公式如下:
;
接下来先将每个注意力头进行串联输出,再经过渡操作获得残差向量,
其中,代表节点水平批次归一化操作;
最后我们对进行残差连接获得,,
经F个残差块进行更新后,获得原子b的周围化学特征隐藏信息。
S3. 最后一步通过化学指纹读出部分获得化学指纹,得到用于分子性质预测的分子指纹,具体如下:
S31.融合了原子的坐标信息参与原子的特征表达;
S32.采用transformer结构聚合每个原子周围化学环境的隐藏信息即分子指纹,这样可以获取表达能力更强的分子指纹。
S32具体过程如下:
首先,我们获取transformer的初始输入,原子b周围化学环境的隐藏信息的初始状态
的整体计算过程如图7所示,公式如下:
;
接下来,假设一个分子含有n个原子,我们将一个随机向量嵌入到一个分子中的当中,公式如下:
,
其中,
,是一个用作化学指纹的可学习随机向量,它可以作为全局特征的初始表示,在最客观的聚合分子全局信息,保证每个部分对于生成化学指纹有合理的作用。CLS为交叉标签监督。图8显示了transformer层(转换器层)的操作过程,通过T个transformer层的连续计算,我们会得到,选取作为分子化学指纹,利用人工神经网络对进行处理,最终获得原子的性质预测结果。
为了验证本发明对于分子性质筛选的优势,本发明在BBBP (Blood-brainbarrier penetration) 数据集, ClinTox数据集, SIDER (Side Effect Resource ) 数据集和Tox21 (Toxicology in the 21st Century)数据集上进行了分子性质预测实验,实验结果如图9和图10所示。由图9和图10可知,本发明所建立的基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法在分子性质预测上取得到了很好的效果,本发明的AUC值明显高于其他方法,AUC值越高则说明分类能力越强,这表明本发明的分类能力明显强于其他方法,本发明在对分子性质的预测是有效的,为分子性质筛选提供了更好的方法,有一定的实用价值。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法,其特征在于,包括以下步骤:
S1.分子图经过消息传递块进行处理,消息传递块是由I个残差块组成,每个残差块都是基于块的图神经网络,基于块的图神经网络的整体架构分别由定向键消息传递部分、前馈神经网络、和层组成;
S2.通过节点环境混合模块进行信息处理,求取原子b周围化学环境的隐藏信息,采取类似消息传递块中的多头注意力与残差块相结合的方式来获取目标信息;
S3.通过化学指纹读出部分获得化学指纹,得到用于分子性质预测的分子指纹:
S31.融合了原子的坐标信息参与原子的特征表达;
S32.采用transformer结构聚合每个原子周围化学环境的隐藏信息即分子指纹。
2.根据权利要求1所述基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法,其特征在于:图神经网络的整体架构中化学键ab即由原子a指向原子b的初始隐藏状态,的计算公式如下:
其中,代表初始状态下的化学键ab的边缘特征信息;
代表原子a的特征信息;
代表化学键ab的特征信息,在第一次传递信息时,输入的化学键信息为,它是化学键ab的初始信息得到,在之后的传递信息过程中,是由上一个消息传递块获得;
是多头注意力机制中单个注意力头输出向量的维度,是与注意力头数量的乘积,代表化学键ab的位置特征信息,代表化学键ab的位置向量,,代表层归一化,是激活函数。
3.根据权利要求1所述基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法,其特征在于:在定向键消息传递过程中,将作为多头注意力机制的输入,求得,最终经L次迭代后获得化学键ab代表的隐藏消息。
4.根据权利要求3所述基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法,其特征在于,相关公式如下:
a.查询矩阵Q,键矩阵 K 和价值矩阵 V是通过学习矩阵处理后得到,缩放点乘法的查询向量和键向量被用作处理由化学键ca指向化学键ab的注意力机制的输入值;
b.采用softmax函数处理本部分所含化学键代表的注意力分数;
c.将所有的价值向量进行权重加和,加和结果用作化学键ab向下一步传递的消息,得到第n个注意力头的输出值。
5.根据权利要求4所述基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法,其特征在于:第n个注意力头的输出值的计算方式如下:
,
其中,
;
把全部的注意力头的输出进行串联,对串联结果进行处理获得:,其中;获得后,进行过渡处理,这一部分由前馈神经网络、边级批次归一化层和激活函数组成通过这一部分求取每个化学键的隐藏信息的残差信息,,代表边水平批次归一化操作;
获得后,采用跳跃连接得到,公式如下:,作为输入进入下一个残差块中,经过I个残差块处理过后,得到最终的输出经化学键ab的隐藏特征向量。
6.根据权利要求1所述基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法,其特征在于:S2具体过程如下:
首先,利用原子b的初始信息,计算原子b周围化学环境的初始隐藏信息,公式如下:
其中,
本部分所用多头注意力机制类似于消息传递块,查询向量是由原子隐藏得到,相应的键向量和价值向量是由化学键ab代表的隐藏向量和原子周围环境隐藏向量计算出的;
每个注意力头的输出公式如下:
;
接下来先将每个注意力头进行串联输出,再经过渡操作获得残差向量,
其中,代表节点水平批次归一化操作;
最后我们对进行残差连接获得,,
经F个残差块进行更新后,获得原子b的周围化学特征隐藏信息。
7.根据权利要求1所述基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法,其特征在于:S32具体过程如下:
首先,获取transformer的初始输入,原子b周围化学环境的隐藏信息的初始状态,公式如下:
;
接下来,假设一个分子含有n个原子,我们将一个随机向量嵌入到一个分子中的当中,公式如下:
,
其中,
,是一个用作化学指纹的可学习随机向量,通过T个transformer层的连续计算得到,选取作为分子化学指纹,利用对进行处理,最终获得原子的性质预测结果。
8.实现权利要求1~7任一项所述基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法的系统,其特征在于:包括消息传递块、节点环境混合模块和分子指纹获取模块,消息传递块是由I个残差块组成,每个残差块都是基于块的图神经网络,基于块的图神经网络的整体架构分别由定向键消息传递部分、前馈神经网络、和层组成;节点环境混合模块采取类似消息传递块中的多头注意力与残差块相结合的方式来获取目标信息;分子指纹获取模块采用transformer结构聚合每个原子周围化学环境的隐藏信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211374345.4A CN115938505A (zh) | 2022-11-04 | 2022-11-04 | 基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211374345.4A CN115938505A (zh) | 2022-11-04 | 2022-11-04 | 基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115938505A true CN115938505A (zh) | 2023-04-07 |
Family
ID=86653438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211374345.4A Pending CN115938505A (zh) | 2022-11-04 | 2022-11-04 | 基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115938505A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116705194A (zh) * | 2023-06-06 | 2023-09-05 | 之江实验室 | 一种基于图神经网络的药物抑癌敏感性预测方法与装置 |
CN117930028A (zh) * | 2024-03-21 | 2024-04-26 | 成都赛力斯科技有限公司 | 新能源车辆电池热失效的预测方法、系统、设备及介质 |
-
2022
- 2022-11-04 CN CN202211374345.4A patent/CN115938505A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116705194A (zh) * | 2023-06-06 | 2023-09-05 | 之江实验室 | 一种基于图神经网络的药物抑癌敏感性预测方法与装置 |
CN116705194B (zh) * | 2023-06-06 | 2024-06-04 | 之江实验室 | 一种基于图神经网络的药物抑癌敏感性预测方法与装置 |
CN117930028A (zh) * | 2024-03-21 | 2024-04-26 | 成都赛力斯科技有限公司 | 新能源车辆电池热失效的预测方法、系统、设备及介质 |
CN117930028B (zh) * | 2024-03-21 | 2024-05-17 | 成都赛力斯科技有限公司 | 新能源车辆电池热失效的预测方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | YOLO-LITE: a real-time object detection algorithm optimized for non-GPU computers | |
Li et al. | Improved techniques for training adaptive deep networks | |
Liu et al. | Bi-real net: Binarizing deep network towards real-network performance | |
Min et al. | Multiproblem surrogates: Transfer evolutionary multiobjective optimization of computationally expensive problems | |
Ma et al. | Adaptive-step graph meta-learner for few-shot graph classification | |
CN115938505A (zh) | 基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法及系统 | |
Zhang et al. | Molecular mechanics-driven graph neural network with multiplex graph for molecular structures | |
Liu et al. | Generative diffusion models on graphs: Methods and applications | |
Jin et al. | Automated dilated spatio-temporal synchronous graph modeling for traffic prediction | |
CN110300095A (zh) | 一种基于改进学习率的深度学习网络入侵检测方法 | |
Wang et al. | M-nas: Meta neural architecture search | |
Giannella et al. | Communication efficient construction of decision trees over heterogeneously distributed data | |
CN115862751A (zh) | 基于边特征更新聚合注意力机制的量子化学性质计算方法 | |
Liu et al. | Fast quantum property prediction via deeper 2d and 3d graph networks | |
CN113949646B (zh) | 一种基于深度学习的Web服务QoS预测方法 | |
CN114254738A (zh) | 双层演化的动态图卷积神经网络模型构建方法及应用 | |
Wang et al. | Balanced one-stage object detection by enhancing the effect of positive samples | |
CN117391816A (zh) | 一种异质图神经网络推荐方法、装置及设备 | |
Liu et al. | An incremental broad learning approach for semi-supervised classification | |
CN116467415A (zh) | 基于GCNsformer混合网络和多通道语义的双向跨域会话推荐方法 | |
CN116978450A (zh) | 蛋白质数据的处理方法、装置、电子设备及存储介质 | |
Fan et al. | Convergence analysis for sparse Pi-sigma neural network model with entropy error function | |
Cai et al. | Explicit invariant feature induced cross-domain crowd counting | |
Zhou et al. | Few-shot multi-view object classification via dual augmentation network | |
Ghimire et al. | Loss-aware automatic selection of structured pruning criteria for deep neural network acceleration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |