- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器之心
《几何深度学习》作者授课，2022年GDL100课程上线
机器之心报道 机器之心编辑部 今年的 GDL100 包含常规课程、辅导课和专题研讨课，深入讲解了几何深度学习的基本概念和重要问题。 近年来，数据科学和机器学习取得了巨大进展。 几何深度学习大师Michael Bronstein 除了出书，这几位作者还联合在非洲数学科学研究所推出的研究生培训计划 AMMI 中讲授了一门几何深度学习在线课程——GDL100。 目前 2022 年的 GDL100 课程已全部上线，课程视频和讲义等资料均可免费在线查看。 课程地址：https://geometricdeeplearning.com/lectures/ 2022 年的 GDL100 共包含 12 节常规课程、3 节辅导课程和 5 次专题研讨。
38410编辑于 2022-08-25 - 来自专栏DrugOne
Cell Reports Methods | 深度几何分子学习
第二种类型是端到端几何深度学习（GDL）模型。 从图1中可以看出，基于共价键的分子图的GDL并不具有最佳性能。相比之下，使用非共价分子图的GDL不仅可以取得可比的结果，甚至还可以超越基于共价键的模型。 在Mol-GDL中另一个重要的设置是与距离相关的节点特征。与传统的节点特征不同，作者设置的节点特征仅包含原子类型和距离信息。 图 2 Mol-GDL提供了一个能够全面学习分子内多尺度信息的GDL架构。 总的来说Mol-GDL可以达到与SOTA相似甚至更好的结果。特别是，Mol-GDL在ESOL和FreeSolv任务上拥有最小的RMSE值。 表3展示了Mol-GDL模型在预测协同药物组合方面的整体性能。可以看出，Mol-GDL模型在五个验证指标上都优于其他所有方法。
80210编辑于 2023-12-19 - 来自专栏DrugOne
Nat. Commun. | 基于条件递归神经网络的生成式深度学习发现RIPK1抑制剂
本文提出了一种基于分布式学习条件递归神经网络 (cRNN)的生成式深度学习 (GDL) 模型，用于为给定的生物靶标生成量身定制的虚拟化合物库，然后将GDL模型应用于RIPK1。 方法 GDL模型的建立 GDL 模型基于使用长短期记忆 (LSTM) 算法的分布学习 cRNN 架构。分子由 SMILES字符串表示，这些字符串由输入和输出的“one-hot”表示编码。 图4 使用GDL生成针对RIPK1的虚拟化合物库 结论 GDL模型已成功应用于建立针对 RIPK1 的虚拟化合物库。与已知的 RIPK1 抑制剂相比，生成的文库富含更多新的骨架分子。 一方面，这个应用实例验证了作者的GDL模型的有效性。尽管 RIPK1 是一种激酶，但作者的 GDL 模型可以应用于不同种类的生物靶标。 这种情况是可以理解的，因为GDL模型不是万能的，我们不应该抱有奢望直接通过该模型生成候选药物。
92120编辑于 2022-11-28 - 来自专栏智能生信
[Nature Machine Intelligence | 论文简读] 分子表示的几何深度学习
龙文韬 论文题目 Geometric deep learning on molecular representations 论文摘要 几何深度学习(Geometric deep learning, GDL 几何深度学习（GDL）基于包含和处理对称信息的神经网络架构。GDL为依赖于具有不同对称性和抽象级别的分子表示的分子建模应用提供了希望。 本综述提供了分子GDL的结构化和统一的概述，重点介绍了其在药物发现、化学合成预测和量子化学中的应用。它介绍了GDL的原理，以及相关的分子表示，如分子图、smiles串等及其各自的属性。 讨论了GDL在分子科学中的当前挑战，并对未来的发展前景进行展望。 论文链接 https://www.nature.com/articles/s42256-021-00418-8
62720编辑于 2022-12-29 - 来自专栏新智元
读完这篇，小白也可以了解GDL！
这篇文章带你迈入几何深度学习(Geometric Deep Learning, GDL) 的大门。 下文中，我们将解释GDL中「几何」的含义，同时会将其与其他神经网络结构进行比较。最后，我们还会带大家深入了解它擅长的多种任务，以及最新前沿应用。 放心，即使没有太多的基础，读完这篇文章后，也能充分体会到GDL的魅力。 深度学习巨头LeCun牵头的几何深度学习在讲啥？ 论文传送带： https://arxiv.org/pdf/1611.08097.pdf 在这篇文章中，研究者首次引入了几何深度学习（GDL）一词。 我们了解了GDL与非欧几里得数据有关，需要注意的一点是，我们并不讨论点云，点云虽然具有自身的优势，但是在我们做出的假设上，其实与图和网格有很大不同。
3.6K21发布于 2020-05-19 - 来自专栏DrugOne
Nat. Mach. Intell. | 分子表征的几何深度学习
GDL涵盖了将神经网络推广到欧几里得和非欧几里得域的新兴技术，诸如图、流形、网格和字符串表征。一般来说，GDL包括结合几何先验的方法，即关于输入信号的空间结构和对称属性的信息，比如分子结构的表示。 虽然GDL已被越来越多地应用于分子模型，但其潜力仍未充分挖掘。 本综述的目的是： (1)对GDL在分子科学中的主要应用提供结构化和统一的综述； (2)描述该领域的主要研究方向； (3)对GDL的未来应用进行展望。 作者分别从分子字符串、分子图、分子网格和分子表面四个方面阐述了GDL的应用。 未来展望： 1）为进一步研究GDL在化学中的应用和影响，需要在算法复杂性、性能和模型可解释性之间做出最佳权衡； 2）GDL在分子特征提取方面的潜力尚未被充分挖掘，缺少基准框架系统的评估人工智能学习的数据驱动特征的有效性
1K20编辑于 2021-12-29 - 来自专栏智能生信
【Nature Machine Intelligence】四篇好文简读-专题4
articles/s42256-021-00303-4 二 论文题目： Geometric deep learning on molecular representations 论文摘要: 几何深度学习(GDL GDL为依赖于具有不同对称性和抽象水平的分子表示的分子建模应用带来了希望。这篇综述对分子GDL进行了结构和协调的概述，重点介绍了它在药物发现、化学合成预测和量子化学中的应用。 它介绍了GDL的原理，以及相关的分子表示，如分子图、grids, surfaces and strings，以及它们各自的性质。 讨论了GDL目前在分子科学领域面临的挑战，并尝试对未来的机遇进行了预测。
76830编辑于 2022-05-23 转录组的批次效应该如何处理
experimentData <- new("MIAME", name="Hua Zou", lab="Bioland Lab", contact="Hua_Zou@grmh-<em>gdl</em>.cn ", title="Experiment", abstract="The gene ExpressionSet", url="www.grmh-<em>gdl</em>.cn", ", title="Experiment", abstract="The gene ExpressionSet", url="www.grmh-<em>gdl</em>.cn", ", title="Experiment", abstract="The gene ExpressionSet", url="www.grmh-<em>gdl</em>.cn", ", title="Experiment", abstract="The gene ExpressionSet", url="www.grmh-<em>gdl</em>.cn",
1.1K10编辑于 2024-06-12- 来自专栏数据派THU
Geometric GNN的表示能力探索：关键设计选择如何影响表现力，如何建立最强大的GNN？
附：你是否是Geometric GNNs，GDL，PyTorch Geometric等的新手？希望了解理论/方程如何与真实代码相连？ Are you new to Geometric GNNs, GDL, PyTorch Geometric, etc.?
52820编辑于 2023-03-29 - 来自专栏用户5637037的专栏
两种一般博弈系统Ludii和RBG的实证评价
然而，自今年年初以来，出现了两种通用游戏系统，它们提供了最先进的学术状态的有效替代品-游戏描述语言(GDL)。按照出版顺序，这些是常规的BoardGames语言(RBG)和Ludii系统。
65730发布于 2019-07-17 - 来自专栏图与推荐
大合集 | GNN相关视频/博客/代码等
v=NKZdqCi5fVE 1.3 几何深度学习课程（GDL） 这个课程比较前沿，涉及到set, group等概念。之前咱们也有所介绍：重磅！《几何深度学习》课程发布！ 帝国理工/DeepMind等图ML大牛共同讲授: 从图几何到深度学习 作为非洲机器智能硕士课程(AMMI 2021)的一部分，作者提供了一门关于几何深度学习(GDL100)的课程，它紧跟GDL原型书的内容
51910发布于 2021-10-12 - 来自专栏机器之心
学界 | 新研究提出内省式学习方法：在分类和生成任务上均表现卓越
图 1：(Tu, 2007) 中开发的 GDL 方法的流程图（图示为一个简单示例），展示了通过一个判别分类器的序列使用自我生成的假负例样本来训练一个生成模型的方法。 ? 我们仅维持了一个单个 CNN 分类器，而不是在 GDL 中具有多个 boosting 分类器（参见图 1） ?
1.1K90发布于 2018-05-07 - 来自专栏DrugOne
Nat. Mach. Intell.｜南洋理工大学夏克林等：用于分子性质预测的图神经网络
尤其是几何深度学习(GDL)模型，如图卷积网络(GCN)、图自编码器、图Transformer等，已被广泛应用于分子数据分析和药物设计。 通过将几何和拓扑驱动的分子图融入GDL模型，可以提升模型性能，并深入揭示分子结构与功能。 在七个数据集上的对比分析中，评估了多种GDL模型，还纳入了其他基于KAN的GNN架构，如 GNN-SKAN、GraphKAN和KA-GNNs。 表1 KA-GNN与最新GDL模型在不同分子性质预测数据集上的性能比较 表1的对比结果进一步验证了KA-GNN模型的优越性，在所有基准数据集上均取得了当前最优性能，尤其在ClinTox和MUV等复杂且具有挑战性的数据集上表现突出
62610编辑于 2025-09-02 - 来自专栏reizhi
win8 build7989 64位版泄露
部分截图 下载地址 点击下载 迅雷离线地址（需要迅雷VIP） http://gdl.lixian.vip.xunlei.com/download?
46120编辑于 2022-09-26 - 来自专栏趣Python
M-Arch（番外6）GD32L233评测-随机数（附 软件随机数生成算法）
GD32L233随机数步骤 GD32F450随机数步骤 GD32L233 生成随机数需要使能 IRC48M 时钟： IRC48M时钟 代码 GDL233 的初始化代码： void rnd_init(
67510编辑于 2022-03-22 - 来自专栏DrugOne
Sci. Rep. | 一个对任意分子体系实现准确且高效几何深度学习的通用框架
为了应对这些挑战，几何深度学习（geometric deep learning, GDL）带来的最新进展变得越来越重要，尤其是图神经网络（GNN）在各种GDL方法中表现出卓越的性能。
41410编辑于 2023-12-12 - 来自专栏量化投资与机器学习
Quant进阶：用『最少』的数学，学『最全』的图神经网络
作者 | Rishabh Anand 编译 | QIML编辑部 前言 多年来，图深度学习（GDL）的发展步伐加快了。现实生活中许多网状结构的问题使的GDL成为一个通用的工具。 GDL的创新主要涉及对这三个步骤的改变。 节点（Node） 请记住，节点代表一个实体或对象，就像社交媒体中的用户。因此，这个节点具有所表示实体的一系列属性特征。
95421编辑于 2022-03-30 - 来自专栏Spark学习技巧
系列 | 漫谈数仓第一篇NO.1 『基础架构』
例如经典四层架构：ods->dwd->dws-ads，bdl->fdl->gdl->adl等。 ?
2K31发布于 2019-09-23 - 来自专栏趣Python
M-Arch（番外4）GD32L233评测-系统资源主要频率获取和打印
开发环境搭建补充 - 解决烧写问题 用keil进行烧写和调试时，直接用GD-Link的话，调试器需要选择为： CMSIS-DAP ARMv8-M Debugger GDL233调试器配置 点击“Load
83520编辑于 2022-03-22 - 来自专栏专知
【NIPS2017最新Tutorial】几何深度学习（Geometric Deep Learning ）讲解（附slide下载）
请关注专知公众号 后台回复“GDL” 就可以获取Michael Bronstein 图和流形的几何深度学习 PPT 下载
3.3K100发布于 2018-04-11
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号