荣登Nature！“特征融合+GNN”刷爆SOTA！

本文链接：https://blog.youkuaiyun.com/2401_82426425/article/details/146096943

太哇塞了！特征融合再出圈，与GNN结合，登顶Nature！模型DMFF，不仅显著提升了药物靶点亲和力预测的准确性和泛化能力，还增强了可解释性！

不仅如此，其在各顶会、顶刊上也是常客！像是一区Top刊上，预测误差直降22.49％的GTFTS；ACM MM上，性能远超SOTA的IGNet；还有分割精度提升80％的GLSNet++……

其热度可见一斑！主要在于：特征融合的引入，能够克服GNN过平滑等的缺陷，助力模型整合不同节点和特征的信息，从而提升性能，也为处理多模态数据和复杂关系结构任务提供了新思路！同时，这两者结合，还拓展了应用领域（情感识别、智能制造、医疗数据分析……），为我们结合不同场景创新提供了机会。

为让大家能够紧跟领域前沿，获得更多灵感启发，我给大家准备了14种前沿创新思路和源码！

论文原文+开源代码需要的同学看文末

SDR-GNN: Spectral Domain Reconstruction Graph Neural Network for Incomplete Multimodal Learning in Conversational Emotion Recognition

内容：本文提出了一种名为SDR-GNN的新型图神经网络框架，用于解决对话情感识别中的多模态数据不完整问题。该方法通过构建基于说话者和上下文关系的语义交互图，利用加权关系聚合和多频率信息聚合，捕捉高阶和高频信息，以高效恢复缺失模态，并通过多头注意力机制优化特征融合，从而在情感识别任务中取得了优于现有方法的效果。实验结果表明，SDR-GNN在多个真实世界数据集上表现出色，尤其是在高缺失率情况下具有更好的鲁棒性。

Dual modality feature fused neural network integrating binding site information for drug target affinity prediction

内容：本文提出了一种名为DMFF-DTA的双模态特征融合神经网络模型，用于药物靶点亲和力预测。该模型整合了药物和蛋白质的序列信息与图结构信息，通过引入基于结合位点的图构建方法，解决了药物与蛋白质图之间的大小不平衡问题，实现了更高效和准确的药物-靶点相互作用建模。实验表明，DMFF-DTA在多个基准数据集上优于现有方法，特别是在对未见药物和靶点的泛化能力上表现出色。此外，模型的可解释性分析和胰腺癌药物重定位案例研究进一步验证了其在药物发现领域的实用性和生物学相关性。

DF-GNN: Dynamic Fusion Framework for Attention Graph Neural Networks on GPUs

内容：本文提出了DF-GNN，这是一个针对GPU上注意力图神经网络（AT-GNNs）的动态融合框架。DF-GNN通过引入动态双层线程调度策略，解决了现有AT-GNNs在GPU上训练效率低下的问题，包括内核融合中的数据移动开销和线程调度的局限性。该框架针对AT-GNNs中的计算模式设计了特定的线程调度策略，并考虑了超节点对性能的影响。实验表明，DF-GNN在多种GNN模型和数据集上显著优于现有的优化方法，如cuGraph和dgNN，与DGL框架相比，端到端训练速度提升了2.16倍。

TFE-GNN: A Temporal Fusion Encoder Using Graph Neural Networks for Fine-grained Encrypted Traffic Classification

内容：本文提出了一种名为TFE-GNN的模型，用于细粒度加密流量分类。该模型通过基于点互信息（PMI）的字节级流量图构建方法，将数据包的字节序列转换为图结构，并利用图神经网络（GNN）提取特征。TFE-GNN包含双嵌入层、基于GNN的流量图编码器以及交叉门控特征融合机制，能够分别处理数据包的头部和负载，并将它们融合以获得更强的特征表示。实验结果表明，TFE-GNN在多个真实数据集上的表现优于多种现有方法，尤其是在处理短流量和区分不同加密流量类别方面表现出色。