《多示例贝叶斯图学习》-AAAI2022-论文评述

MIL-Bayesian Graph Neural Networks论文评述 文章《Bag Graph: Multiple Instance Learning using Bayesian Graph Neural Networks》 https://www.aaai.org/AAAI22Papers/AAAI-8577.PalS.pdf 作者:Soumyasundar Pal, Antonios Valkanas, Florence Regol, Mark Coates 引用方式:Pal, Soumyasundar, et al. “Bag Graph: Multiple Instance Learning using Bayesian Graph Neural Networks.” Proc. AAAI Conf. on Artificial Intelligence. 2022. 论文评述:唐子铭 (整理自多示例贝叶斯图讨论材料。) 2022-10-15 一、 论文主要研究内容和结果: 该工作结合神经网络多示例学习模型(MIL)和贝叶斯-图形神经网络(Bayes-GNN)模型提出了一种端到端的多示例MIL学习体系架构,该方法能够有效地解决包之间存在关系的相互作用对多示例模型结果的影响。 1. 算法建模目标:算法建模目标为$p(y_V  |  Y_L, X_V, G_{obs})$,换言之,利用图的观测值$G_{obs}$,包的示例Instance的表示$X_V$, 和训练集$L$中的包标签$Y_L$来对整个图的节点集合V进行标签值计算。 我们做个类比:V是全校学生,Z_iContinue reading “《多示例贝叶斯图学习》-AAAI2022-论文评述”

《暑期Seminar:期望传播算法 Expectation Propagation》

请从“新手区/秘道”找到讨论资料。 👍《2022暑期Seminar:期望传播算法Expectation Propagation》追加讨论资料,主要是对Minka 2001博士论文《A family of algorithms for approximate Bayesian inference》第三章的解读,参与讨论和资料整理的同学包括姚昕智,欧阳思卓,彭钱钱,贺芷涵,唐子铭。资料56页,主要是黑板推导和当日总结。(File size: 16Mb. Download) Enjoy!

RTO work, that presented in ISMB, Bio-ontology COSI, received its DOI.

Cite the work. Xinzhi Yao, Yun Liu, Qidong Deng, Yusha Liu, Xinchen Ma, Yufei Shen, Qianqian Peng, Zaiwen Feng, Jingbo Xia*. RTO, A Specific Crop Ontology for Rice Trait Concepts. Annual International Conference on International Society for Computational Biology (ISMB), Madison, WI, 10-14 July 2022 (Session Bio-Ontologies COSI). https://doi.org/10.5281/zenodo.6950749

GDAS track, CHIP 2022评测报名情况

评测一: 面向“基因-疾病”的关联语义挖掘任务 (Task1: Text mining task for “Gene-Disease” association semantics, GDAS track, CHIP2022)。 评测设定的主要应用场景是针对“基因-疾病关联发现”的健康医学和生物信息学知识发现。NLP任务主要包括实体识别、语义角色识别和深层语义挖掘。 该评测累计7月21日已经报名16只队伍,分别来自大学、研究院和公司机构。包括:西南XX大学,中原XX院,山X大学,郑X大学,中国XX大学(北京),中国XX科学院,华XX工大学,北XX通大学,北XX工大学,华XX范大学,大XX工大学(2支队伍), 国家超级计算XX中心,卫XXX科技集团股份有限公司,联XX康,XX智能科技有限公司。 评测网址(CHIP官网):http://www.cips-chip.org.cn/2022/) 评测网址(课题组网站):http://lit-evi.hzau.edu.cn/AGAC-CHIP2022 评测时间安排 训练及验证数据发布:7月1号(250条) 测试数据发布:8月25号(2000条) 提交测试结果:8月26-28号(每天可提交一次,以零点后第一次提交的结果为准,取三天内最高成绩,数据格式为数据样例一样的JSON格式) 评测论文提交时间:2022年10月(CHIP会议前1个月) 评测报告及颁奖:2022年11月24日 评测学术委员会评测论文审阅:2022年12月 评测论文修回:2022年12月(2周修改周期) 评测论文集中投稿:2023年1月-