BriefGPT - AI 论文速递
·
图神经网络和神经微分方程在肿瘤动态预测中的融合
💡
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本文介绍了GRAM-ODE神经网络架构，通过不同视图学习动态时空依赖关系，改善通信。实验表明，GRAM-ODE在六个真实数据集上优于基线方法。
🎯
关键要点
- 提出了一种新颖的基于图的多 - ODE 神经网络架构（GRAM-ODE）。
- GRAM-ODE通过捕捉复杂的局部和全局动态时空依赖关系的不同视图来学习更好的表示。
- 在中间层添加了共享权重和发散性约束等技术，以改善面向预测任务的通信。
- 在六个真实数据集上进行的实验表明，GRAM-ODE优于最先进的基线方法。
- 不同组件对整体性能的贡献显著。
➡️
