图的概要介绍
- 介绍什么是图(用向量表示)
- 现实中的数据怎么表示为图,怎么做预测(点、边、整个图)
- 机器学习算法用到图上时有什么挑战
GNN
- 对属性做变换,但是不改变图的结构
- 假设属性有缺失的时候怎么办
- 介绍真正意义上使用的GNN,顶点看邻接顶点,边
论文地址:Multi-Scale Representation Learning for Protein Fitness Prediction 论文实现:https://github.com/DeepGraphLearning/S3F S3F:序列+结构+点云突变预测 Abstract 该论文研究了
论文地址:Pre-training Antibody Language Models for Antigen-Specific Computational Antibody Design 论文实现:https://github.com/KyGao/ABGNN ABGNN:预训练AbBERT+图网络R
论文地址:IgGM:A Generative Model for Functional Antibody and Nanobody Design 论文实现:https://github.com/TencentAI4S/IgGM IgGM:两阶段PLM+Diffusion生成抗体抗原结构 Abstra
论文地址:FlowDesign:Improved Design of Antibody CDRs Through Flow Matching and Better Prior Distributions 论文实现:https://github.com/nohandsomewujun/FlowDesi
论文地址:Flow Matching for Generative Modeling FlowMatching:固定条件概率路径的向量场训练CNF Abstract Flow Matching 是一种新的训练CNF的方法,通过回归固定条件概率路径的向量场来进行训练。这种方法可以使用广义的高斯概率路径
Yang Tan Phone: +86 15223128257 | Email: mashiroaugust@gmail.com Homepage: tyang816.github.io | Reseach: AI4Science | Github: tyang816 Education Shang
v1.5.2