现有的视频域改编（DA）方法需要存储视频帧的所有时间组合或配对源和目标视频，这些视频和目标视频成本昂贵，无法扩展到长时间的视频。为了解决这些局限性，我们建议采用以下记忆高效的基于图形的视频DA方法。首先，我们的方法模型每个源或目标视频通过图：节点表示视频帧和边缘表示帧之间的时间或视觉相似性关系。我们使用图形注意力网络来了解单个帧的重量，并同时将源和目标视频对齐到域不变的图形特征空间中。我们的方法没有存储大量的子视频，而是仅构建一个图形，其中一个视频的图形注意机制，从而大大降低了内存成本。广泛的实验表明，与最先进的方法相比，我们在降低内存成本的同时取得了卓越的性能。

To date, there are no effective treatments for most neurodegenerative diseases. Knowledge graphs can provide comprehensive and semantic representation for heterogeneous data, and have been successfully leveraged in many biomedical applications including drug repurposing. Our objective is to construct a knowledge graph from literature to study relations between Alzheimer's disease (AD) and chemicals, drugs and dietary supplements in order to identify opportunities to prevent or delay neurodegenerative progression. We collected biomedical annotations and extracted their relations using SemRep via SemMedDB. We used both a BERT-based classifier and rule-based methods during data preprocessing to exclude noise while preserving most AD-related semantic triples. The 1,672,110 filtered triples were used to train with knowledge graph completion algorithms (i.e., TransE, DistMult, and ComplEx) to predict candidates that might be helpful for AD treatment or prevention. Among three knowledge graph completion models, TransE outperformed the other two (MR = 13.45, Hits@1 = 0.306). We leveraged the time-slicing technique to further evaluate the prediction results. We found supporting evidence for most highly ranked candidates predicted by our model which indicates that our approach can inform reliable new knowledge. This paper shows that our graph mining model can predict reliable new relationships between AD and other entities (i.e., dietary supplements, chemicals, and drugs). The knowledge graph constructed can facilitate data-driven knowledge discoveries and the generation of novel hypotheses.

冠状动脉造影是诊断冠状动脉疾病（CAD）的“黄金标准”。目前，检测和评估冠状动脉狭窄的方法不能满足临床需求，例如，在临床实践中是必要的预先检测狭窄的先前研究。提出了两种血管狭窄检测方法来协助诊断。第一个是一种自动方法，可以自动提取整个冠状动脉树并标记所有可能的狭窄。第二个是一个交互式方法。通过这种方法，用户可以选择任何船只分段，以进一步分析其狭窄。实验表明，该方法对于具有各种血管结构的血管造影是鲁棒的。自动狭窄检测方法的精度，灵敏度和$ F_1 $得分分别为0.821,0.757和0.788。进一步的调查证明，交互方法可以提供更精确的狭窄检测结果，我们的定量分析更接近现实。所提出的自动方法和交互方法是有效的，可以在临床实践中相互补充。第一方法可用于初步筛选，第二种方法可用于进一步定量分析。我们认为，所提出的解决方案更适合CAD的临床诊断。

冠状动脉造影是诊断冠状动脉疾病（CAD）的“黄金标准”。目前，检测和评估冠状动脉狭窄的方法不能满足临床需求，例如，在临床实践中是必要的预先检测狭窄的先前研究。提出了两种血管狭窄检测方法来协助诊断。第一个是一种自动方法，可以自动提取整个冠状动脉树并标记所有可能的狭窄。第二个是一个交互式方法。通过这种方法，用户可以选择任何船只分段，以进一步分析其狭窄。实验表明，该方法对于具有各种血管结构的血管造影是鲁棒的。自动狭窄检测方法的精度，灵敏度和$ F_1 $得分分别为0.821,0.757和0.788。进一步的调查证明，交互方法可以提供更精确的狭窄检测结果，我们的定量分析更接近现实。所提出的自动方法和交互方法是有效的，可以在临床实践中相互补充。第一方法可用于初步筛选，第二种方法可用于进一步定量分析。我们认为，所提出的解决方案更适合CAD的临床诊断。

Graphons are general and powerful models for generating graphs of varying size. In this paper, we propose to directly model graphons using neural networks, obtaining Implicit Graphon Neural Representation (IGNR). Existing work in modeling and reconstructing graphons often approximates a target graphon by a fixed resolution piece-wise constant representation. Our IGNR has the benefit that it can represent graphons up to arbitrary resolutions, and enables natural and efficient generation of arbitrary sized graphs with desired structure once the model is learned. Furthermore, we allow the input graph data to be unaligned and have different sizes by leveraging the Gromov-Wasserstein distance. We first demonstrate the effectiveness of our model by showing its superior performance on a graphon learning task. We then propose an extension of IGNR that can be incorporated into an auto-encoder framework, and demonstrate its good performance under a more general setting of graphon learning. We also show that our model is suitable for graph representation learning and graph generation.

High order structures (cavities and cliques) of the gene network of influenza A virus reveal tight associations among viruses during evolution and are key signals that indicate viral cross-species infection and cause pandemics. As indicators for sensing the dynamic changes of viral genes, these higher order structures have been the focus of attention in the field of virology. However, the size of the viral gene network is usually huge, and searching these structures in the networks introduces unacceptable delay. To mitigate this issue, in this paper, we propose a simple-yet-effective model named HyperSearch based on deep learning to search cavities in a computable complex network for influenza virus genetics. Extensive experiments conducted on a public influenza virus dataset demonstrate the effectiveness of HyperSearch over other advanced deep-learning methods without any elaborated model crafting. Moreover, HyperSearch can finish the search works in minutes while 0-1 programming takes days. Since the proposed method is simple and easy to be transferred to other complex networks, HyperSearch has the potential to facilitate the monitoring of dynamic changes in viral genes and help humans keep up with the pace of virus mutations.

在许多纵向环境中，时间变化的协变量可能不会与响应同时测量，并且通常容易出现测量误差。幼稚的最后观察前向方法会产生估计偏差，现有的基于内核的方法的收敛速率缓慢和差异很大。为了应对这些挑战，我们提出了一种新的功能校准方法，以基于稀疏功能数据和测量误差的稀疏功能数据有效地学习纵向协变量。我们的方法来自功能性主成分分析，从观察到的异步和容易出现错误的协变量值中校准未观察到的同步协变量值，并广泛适用于异步纵向回归与时间传播或时间变化的系数。对于随时间不变系数的回归，我们的估计量是渐进的，无偏的，根-N一致的，并且渐近地正常。对于时变系数模型，我们的估计器具有最佳的变化系数收敛速率，而校准的渐近方差膨胀。在这两种情况下，我们的估计量都具有优于现有方法的渐近特性。拟议方法的可行性和可用性通过模拟和全国妇女健康研究的应用来验证，这是一项大规模的多站点纵向研究，对中年妇女健康。

现代电力系统正在经历由可再生能源驱动的各种挑战，该挑战要求开发新颖的调度方法，例如增强学习（RL）。对这些方法以及RL药物的评估很大程度上受到探索。在本文中，我们提出了一种评估方法，以分析RL代理的性能在审查的经济调度方案中。这种方法是通过扫描多个操作方案来进行的。特别是，开发了一种方案生成方法来生成网络方案和需求方案进行评估，并且根据电力流的变化率汇总了网络结构。然后，定义了几个指标来从经济和安全的角度评估代理商的绩效。在案例研究中，我们使用经过改进的IEEE 30总线系统来说明拟议的评估方法的有效性，模拟结果揭示了对不同情况的良好和快速适应。不同的RL代理之间的比较也很有帮助，可以为更好地设计学习策略提供建议。

随时间变化数据的因果发现（CD）在神经科学，医学和机器学习中很重要。 CD的技术包括通常没有偏见但昂贵的随机实验。它还包括诸如回归，匹配和Granger因果关系之类的算法，这些算法仅在人类设计师做出的强烈假设下正确。但是，正如我们在机器学习的其他领域发现的那样，人类通常不太正确，通常比数据驱动的方法表现出色。在这里，我们测试是否可以以数据驱动的方式改善因果发现。我们采用了一个具有大量因果成分（晶体管），MOS 6502处理器和元学习的系统，该系统为神经网络代表的因果发现程序。我们发现，该程序的表现远远超过了人为设计的因果发现程序，例如相互信息和Granger因果关系。我们认为，因果关系领域应在可能的情况下考虑一种有监督的方法，其中从具有已知因果关系的大型数据集中学习了CD程序，而不是由人类专家设计。我们的发现有望在神经和医学数据以及更广泛的机器学习社区中采用新的CD方法。

从废物电气和电子设备（WEEE）中有效拆卸和回收材料是将全球供应链从碳密集型，采矿材料转移到可回收和可再生的材料的关键步骤。常规的回收过程依赖于切碎和分类废物流，但是对于由许多不同材料组成的Weee，我们探索了针对许多物体的靶向拆卸，以改善材料恢复。许多WEEE对象都共享许多关键特征，因此看起来非常相似，但是它们的材料组成和内部组件布局可能会有所不同，因此，对于随后的拆卸步骤，为准确的材料分离和恢复而具有准确的分类器至关重要。这项工作介绍了RGB-X（一种多模式图像分类方法），该方法利用了来自外部RGB图像的关键特征，并从X射线图像中生成的图像来准确地对电子对象进行分类。更具体地说，这项工作开发了迭代类激活映射（ICAM），这是一种新型的网络体系结构，明确地侧重于用于准确的电子对象分类所需的多模式特征映射中的细节。为了培训分类器，由于费用和需要专家指导，电子对象缺乏大型且注释良好的X射线数据集。为了克服这个问题，我们提出了一种新的方法，可以使用应用于X射线域的域随机化创建合成数据集。合并的RGB-X方法使我们在10代现代智能手机上的准确度为98.6％，其单独的精度为89.1％（RGB）和97.9％（X射线）。我们提供实验结果3来证实我们的结果。