在本研究中，我们提出了一种基于自我关注的区域流感预测模型，称为SAIFlu-Net。该模型利用一个较长的短期记忆网络来提取每个区域的时间序列模式，并利用自我注意机制来发现发生模式之间的相似性。为了评估其性能，我们使用每周区域流感数据集对现有的预测模型进行了广泛的实验。结果表明，该模型在均方根误差和皮尔逊相关系数方面均优于其他模型。

《TF-GNN：Graph Neural Networks》附录《A.2.2 Creating GraphTensors》例程

通过图表示学习预测患者结果 该存储库包含用于通过“图形表示​​学习”预测患者结果的代码。 您可以在以下网址观看W3PHIAI（AAAI研讨会）上的聚焦演讲视频： 引文 如果您在研究中使用此代码或模型，请引用以下内容： @misc{rocheteautong2021, title={Predicting Patient Outcomes with Graph Representation Learning}, author={Emma Rocheteau and Catherine Tong and Petar Veličković and Nicholas Lane and Pietro Liò}, year={2021}, eprint={2101.03940}, archivePrefix={arXiv}, p

理解深度学习，包括最新的transformer和GNN

推荐系统是当今互联网上最重要的信息服务之一。近年来，图神经网络已成为推荐系统的新技术。在这个调研中，我们对基于图神经网络的推荐系统的文献进行了全面的回顾。我们首先介绍了推荐系统和图神经网络的背景和发展历史。对于推荐系统，一般来说，现有工作的分类分为四个方面: 阶段、场景、目标和应用。对于图神经网络，现有的方法包括谱模型和空间模型两大类。

图神经网络(GNNs)已被广泛应用于图表示学习的各个领域。然而，与所有其他神经网络模型一样，GNN也存在黑盒问题，因为人们无法理解其机制。为了解决这一问题，人们提出了几种解释GNN决策的方法。在本报告中，Simone Scardapane概述了最先进的GNN解释方法和如何评估它们

Cora数据集包含2708篇科学出版物，edges:5429，classes:7，features:1433 每个科学出版物都由一个01词向量描述 训练集（140，1433），测试集（1000，1433），总训练集（1708，1433），训练集从总训练集中抽取，存在labeled和unlabeld节点 用于深度学习，图神经网络的训练

在深度学习用planetoid加载数据时常常需要在github上拉起下载，有时存在连接不上，下载出现error的情况，直接将该代码完整下下来，使用相关数据集。

安装包gnn1.1.0 gnn的任务是做了节点的分类，其结果target值为1和-1。 参照recgnn，利用了循环神经网络的思想，将t-1状态运用在t状态的训练中，再通过将自身节点的状态和邻居节点的状态聚合，得到新的状态。不断循环通过BP调整参数，最后根据阈值以及最大迭代次数的限制退出循环。

机器学习方法已经广泛应用于药物发现领域，使得更强大和高效的模型成为可能。在深度模型出现之前，建模分子在很大程度上是由专家知识驱动的;为了表现分子结构的复杂性，这些手工设计的规则被证明是不够的。深度学习模型是强大的，因为它们可以学习问题的重要统计特征——但只有正确的归纳偏差。我们在两个分子问题的背景下解决这个重要的问题:表征和生成。深度学习的典型成功在于它能够将输入域映射到有意义的表示空间。这对于分子问题尤其尖锐，分子之间的“正确”关系微妙而复杂。本论文的第一部分将重点讨论分子表征，特别是性质和反应预测。在这里，我们探索了一种用于分子表示的Transformer式架构，提供了将这些模型应用于图形结构对象的新工具。抛开传统的图神经网络范式，我们展示了分子表示原型网络的有效性，它允许我们对分子的学习性质原型进行推理。最后，我们在改进反应预测的背景下研究分子表示。本论文的第二部分将集中在分子生成，这是至关重要的药物发现作为一种手段，提出有前途的药物候选人。我们开发了一种新的多性质分子生成方法，通过首先学习分子片段的分布词汇。然后，利用这个词汇，我们调查了化学空间的有效探索方法。