亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

報告講述了制藥的整個流程，討論了GNN在制藥的第三環節（臨床研究）和第五環節（上市后的安全監控）中的應用。報告主要闡述了為什么要用GNN、如何使用GNN以及目前的一些成果，給到讀者一個直觀、清晰且較為全面的相關知識結構。

【導讀】國際人工智能會議AAAI 2021論文將在全程線上舉辦，時間在 2 月 2 日-2 月 9 日，本屆大會也將是第 35 屆 AAAI 大會。大會涵蓋了眾多最近研究進展報告，來自MIla唐建博士、FeiWang博士、Feixiong Cheng共同做了關于人工智能藥物發現的進展報告，非常值得關注!

藥物發現是一個漫長而昂貴的過程，平均需要10年時間和25億美元來開發一種新藥。人工智能有潛力通過分析生物醫學領域產生的大量數據，如生物測定、化學實驗和生物醫學文獻，來顯著加速藥物發現的進程。最近，在許多不同的領域，包括機器學習、數據挖掘和生物醫學領域，人們對開發人工智能技術用于藥物發現越來越感興趣。在本教程中，我們將詳細介紹藥物發現中的關鍵問題，如分子性質預測、新生分子設計和分子優化、反合成反應和預測、藥物再利用和組合，以及針對這些問題的人工智能關鍵技術進展。本教程可以作為對藥物發現感興趣的計算機科學家和藥物發現從業者的入門材料，以便沿著這個方向學習最新的人工智能技術。

AAAI 2021：//deepgraphlearning.github.io/DrugTutorial_AAAI2021/ KDD 2021：

目錄：

• 藥物概述 Drug Discovery Overview [20 min, presented by Feixiong]

• 深度學習，傳統基于網絡方法，圖表示學習 Deep Learning, Traditional Network-based Methods, Graph Representation Learning [15 min, presented by Fei]

  • 卷積神經網絡與循環神經網路絡 Convolutional Neural Networks and Recurrent Neural Networks
  • 圖卷積網絡 Graph Convolutional Networks [GCN (Kipf & Welling, 2016), MPNN (Gilmer et al., 2017), GIN (Xu et al., 2018)]

• 分子性質預測 Molecule Properties Prediction [30 min, presented by Jian]

  • Supervised [MPNN (Gilmer et al., 2017)]
  • Self-supervised [ContextPred (Hu et al., 2019), InfoGraph (Sun et al., 2020)]
  • Semi-supervised [InfoGraph (Sun et al., 2020)]

• 新生分子的生成和優化，De novo Molecule Generation and Optimization [40 min, presented by Jian and Fei]

  • Variational autoencoder-based approach [JTVAE (Jin et al., 2018)]
  • Autoregressive methods [GCPN (You et al., 2018)]
  • Normalizing Flow-based approaches [GraphAF (Shi et al., 2020), MoFlow (Zang & Wang, 2020)]

• 反應預測與反合成，Reaction Prediction and Retrosynthesis [30 min, presented by Jian]

• Reaction prediction [(Jin et al., 2017), (Schwaller et al., 2019), (Sacha et al., 2020)]

• Retrosynthesis [(Dai et al., 2019), (Shi et al., 2020), (Sacha et al., 2020)]

• 基于多組學和臨床數據的藥物再利用，Multiomics and Clinical Data-based Drug Repurposing [45 min, presented by Feixiong and Fei]

• Network-based approach [(Cheng et al., 2018)]

• Graph Neural Network-based approach [(Gysi et al., 2020) ]

• Case Study on COVID-19 [(Zhou et al., 2020), (Gysi et al., 2020)]

• 其他話題，Other Topics [15 min, presented by Fei]

• 結論與未來方向，Conclusion and Future Directions [15 min, presented by Fei]

講者：

唐建，加拿大蒙特利爾學習算法研究院 (MILA) 以及加拿大蒙特利爾大學商學院助理教授、博士生導師。主要研究方向為：圖表示學習、圖研究網絡、知識圖譜、藥物發現。曾獲得機器學習頂級會議ICML2014的最佳論文以及數據挖掘頂級會議WWW‘16的最佳論文提名。發表了一系列在圖表示學習領域的經典論文包括LINE、LargeVis、RotatE以及最近的Graph Markov Neural Networks (GMNN)。

Fei Wang，美國康奈爾大學威爾醫學院副教授，主要研究方向為數據挖掘及其在健康數據科學中的應用。他在人工智能和醫學領域發表了250多篇論文，被引用超過1.27萬次，H指數是56。他的論文在數據挖掘和醫學信息學的頂級國際會議上獲得了8項最佳論文獎。

Feixiong Cheng博士，克利夫蘭診所基因組醫學研究所的首席研究員。鄭博士致力于開發計算和實驗網絡醫學技術，以促進疾病異質性的表征，從而接近協調的、以患者為中心的戰略的目標，以創新診斷和治療的發展。

參考文獻：

Sun, F.-Y., Hoffmann, J., Verma, V., & Tang, J. (2020). Infograph: Unsupervised and semi-supervised graph-level representation learning via mutual information maximization. ICLR.

Shi, C., Xu, M., Zhu, Z., Zhang, W., Zhang, M., & Tang, J. (2020). GraphAF: a flow-based autoregressive model for molecular graph generation. ICLR.

Shi, C., Xu, M., Guo, H., Zhang, M., & Tang, J. (2020). A Graph to Graphs Framework for Retrosynthesis Prediction. ICML.

Gottipati, S. K., Sattarov, B., Niu, S., Pathak, Y., Wei, H., Liu, S., Thomas, K. M. J., Blackburn, S., Coley, C. W., Tang, J., & others. (2020). Learning To Navigate The Synthetically Accessible Chemical Space Using Reinforcement Learning. ICML.

Jin, W., Barzilay, R., & Jaakkola, T. (2018). Junction tree variational autoencoder for molecular graph generation. ICML.

You, J., Liu, B., Ying, Z., Pande, V., & Leskovec, J. (2018). Graph convolutional policy network for goal-directed molecular graph generation. Advances in Neural Information Processing Systems, 6410–6421.

Zang, C., & Wang, F. (2020). MoFlow: An Invertible Flow Model for Generating Molecular Graphs. Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 617–626.

Sun, M., Zhao, S., Gilvary, C., Elemento, O., Zhou, J., & Wang, F. (2020). Graph convolutional networks for computational drug development and discovery. Briefings in Bioinformatics, 21(3), 919–935.

Hu, W., Liu, B., Gomes, J., Zitnik, M., Liang, P., Pande, V., & Leskovec, J. (2019). Strategies for Pre-training Graph Neural Networks. ArXiv Preprint ArXiv:1905.12265.

Gilmer, J., Schoenholz, S. S., Riley, P. F., Vinyals, O., & Dahl, G. E. (2017). Neural message passing for quantum chemistry. ArXiv Preprint ArXiv:1704.01212.

Kipf, T. N., & Welling, M. (2016). Semi-supervised classification with graph convolutional networks. ArXiv Preprint ArXiv:1609.02907.

Xu, K., Hu, W., Leskovec, J., & Jegelka, S. (2018). How powerful are graph neural networks? ArXiv Preprint ArXiv:1810.00826.

Jin, W., Coley, C., Barzilay, R., & Jaakkola, T. (2017). Predicting organic reaction outcomes with weisfeiler-lehman network. Advances in Neural Information Processing Systems, 2607–2616.

Schwaller, P., Laino, T., Gaudin, T., Bolgar, P., Hunter, C. A., Bekas, C., & Lee, A. A. (2019). Molecular transformer: A model for uncertainty-calibrated chemical reaction prediction. ACS Central Science, 5(9), 1572–1583.

Sacha, M., B?a?, M., Byrski, P., W?odarczyk-Pruszyński, P., & Jastrz?bski, S. (2020). Molecule Edit Graph Attention Network: Modeling Chemical Reactions as Sequences of Graph Edits. ArXiv Preprint ArXiv:2006.15426.

Dai, H., Li, C., Coley, C., Dai, B., & Song, L. (2019). Retrosynthesis prediction with conditional graph logic network. Advances in Neural Information Processing Systems, 8872–8882.

Zhou, Y., Hou, Y., Shen, J., Huang, Y., Martin, W., & Cheng, F. (2020). Network-based drug repurposing for novel coronavirus 2019-nCoV/SARS-CoV-2. Cell Discovery, 6(1), 1–18.

Zeng, X., Zhu, S., Liu, X., Zhou, Y., Nussinov, R., & Cheng, F. (2019). deepDR: a network-based deep learning approach to in silico drug repositioning. Bioinformatics, 35(24), 5191–5198.

Zhou, Y., Wang, F., Jian, T., R., N., & Cheng, F. (2020). Artificial Intelligence in Drug Repurposing. The Lancet Digital Health.

Chen, H., Cheng, F., & Li, J. (2020). iDrug: Integration of drug repositioning and drug-target prediction via cross-network embedding. PLoS Computational Biology, 16(7), e1008040.

Cheng, F., Kovács, I. A., & Barabási, A.-L. (2019). Network-based prediction of drug combinations. Nature Communications, 10(1), 1–11.

Cheng, F., Desai, R. J., Handy, D. E., Wang, R., Schneeweiss, S., Barabási, A.-L., & Loscalzo, J. (2018). Network-based approach to prediction and population-based validation of in silico drug repurposing. Nature Communications, 9(1), 1–12.

Gysi, D. M., Valle, í. D., Zitnik, M., Ameli, A., Gan, X., Varol, O., Sanchez, H., Baron, R. M., Ghiassian, D., Loscalzo, J., & others. (2020). Network medicine framework for identifying drug repurposing opportunities for covid-19. ArXiv Preprint ArXiv:2004.07229.

Zhou, Y., Hou, Y., Shen, J., Kallianpur, A., Zein, J., Culver, D. A., Farha, S., Comhair, S., Fiocchi, C., Gack, M. U., & others. (2020). A Network Medicine Approach to Investigation and Population-based Validation of Disease Manifestations and Drug Repurposing for COVID-19. ChemRxiv.

因果學習

因果推理在許多領域都很重要，包括科學、決策制定和公共政策。確定因果關系的金標準方法使用隨機控制擾動實驗。然而，在許多情況下，這樣的實驗是昂貴的、耗時的或不可能的。從觀察數據中獲得因果信息是可替代的一種選擇，也就是說，從通過觀察感興趣系統獲得的數據中獲得而不使其受到干預。在這次演講中，我將討論從觀察數據中進行因果學習的方法，特別關注因果結構學習和變量選擇的結合，目的是估計因果效果。我們將用例子來說明這些概念。

題目： Graph convolutional networks for computational drug development and discovery

摘要：

盡管在過去的十年中，深度學習在各個領域都取得了令人矚目的成功，但其在分子信息學和藥物發現中的應用仍然受到限制。在將深層架構適應結構化數據方面的最新進展為藥物研究開辟了新的范例。 在這項調查中，我們對圖卷積網絡的新興領域及其在藥物發現和分子信息學中的應用進行了系統的綜述。通常，我們對圖卷積網絡為何以及如何能夠幫助完成與藥物有關的任務感興趣。文中通過四個角度闡述了現有的應用程序：分子性質和活性預測，相互作用預測，合成預測和藥物設計。還簡要介紹了圖卷積網絡背后的理論基礎，并說明了基于不同公式的各種體系結構。然后，總結了藥物相關問題中的代表性應用，并討論將圖卷積網絡應用于藥物發現的當前挑戰和未來可能性。

【導讀】機器學習和系統芯片互相促進發展，近年來機器學習算法深刻改變了計算硬件資源的發展。最近谷歌發布了強化學習用于芯片布局的論文。在加州理工的《數據驅動算法設計》課程上，GOOGLE兩位研究人員Azalia Mirhoseini & Anna Goldie做了《機器學習在系統和芯片設計》的報告，講述了機器學習芯片設計技術，值得關注。Jeff Dean在Twitter做了推薦。

在過去的十年中，系統和硬件已經改變了機器學習。現在是機器學習改變系統和硬件的時候了。在芯片設計過程中，芯片布局（chip placement）可以說是其中最復雜和耗時的步驟了。芯片設計周期的縮短有助于硬件設備適應機器學習領域的快速發展，那么，機器學習能否助力芯片設計呢？最近，谷歌提出了一種基于強化學習的芯片布局方法。本報告內容包括：

• 學習優化器件放置
• 學習配分圖
• 學習優化芯片布局

概述

計算機芯片通常分為數十個模塊，每個模塊都是一個單獨的模組，例如內存的子系統、計算單元以及控制邏輯的系統。這些模塊可以通過網表以及宏（內存組件）和標準單元（邏輯門，例如 NAND、NOR 和 XOR）等電路組件圖來描述，而所有這些組件均通過網格連接。

確定芯片如何布局（通常稱為芯片的布局規劃過程）是芯片設計過程中最復雜、最耗時的階段之一，它涉及到將網表放置在芯片的畫布（2D 網格）上，盡可能使得功率、性能和面積（PPA）降至最低，同時還要注意密度和布線擁塞方面的限制。

盡管對此方向進行了數十年的研究，但是行業內專家仍然需要迭代數周的時間才能完成一個滿足多方面設計標準的解決方案。簡單來說，其復雜性來自于幾個主要層面：網表圖的大小（數百萬至數十億個節點）、網表圖放置的網格粒度，以及計算真實目標所產生的過高成本，如果使用行業標準的電子設計自動化工具這個計算過程可能要花費數小時（有時甚至超過一天）。

谷歌研究者將芯片布局看作一個強化學習問題，然后訓練智能體將芯片網表（netlist）的節點放置在芯片畫布（canvas）上。為了使強化學習策略泛化至新的芯片 block，研究者將表征學習置于預測芯片布局質量的監督任務中。通過設計能夠在大量網表及其布局上準確預測獎勵的神經架構，該研究生成輸入網表的豐富特征嵌入。然后利用該架構作為策略和價值網絡的編碼器，實現遷移學習。

該研究旨在最小化芯片設計的 PPA（功耗、性能和面積）。研究者稱，該方法能夠在 6 小時內完成芯片布局設計，布局質量超過或匹配人類設計，而現有的基線方法需要人類專家參與，且往往需要數周時間才能完成。此外，谷歌還表示，該方法可以為谷歌加速器芯片（TPU）生成更優化的芯片放置方案，還適用于任意類型的芯片（ASIC）。 Chip Placement with Deep Reinforcement Learning

博客鏈接：//ai.googleblog.com/2020/04/chip-design-with-deep-reinforcement.html

作者：Azalia Mirhoseini、Anna Goldie、Jeff Dean 等 論文鏈接：

摘要：在芯片設計過程中，芯片布局（chip placement）可以說是其中最復雜和耗時的步驟了。芯片設計周期的縮短有助于硬件設備適應機器學習領域的快速發展，那么，機器學習能否助力芯片設計呢？最近，谷歌提出了一種基于強化學習的芯片布局方法。

研究者將芯片布局看作一個強化學習問題，然后訓練智能體將芯片網表（netlist）的節點放置在芯片畫布（canvas）上。為了使強化學習策略泛化至新的芯片 block，研究者將表征學習置于預測芯片布局質量的監督任務中。通過設計能夠在大量網表及其布局上準確預測獎勵的神經架構，該研究生成輸入網表的豐富特征嵌入。然后利用該架構作為策略和價值網絡的編碼器，實現遷移學習。

該研究旨在最小化芯片設計的 PPA（功耗、性能和面積）。研究者稱，該方法能夠在 6 小時內完成芯片布局設計，布局質量超過或匹配人類設計，而現有的基線方法需要人類專家參與，且往往需要數周時間才能完成。

隨著機器學習模型越來越多地用于在醫療保健和刑事司法等高風險環境中幫助決策者，確保決策者(最終用戶)正確理解并信任這些模型的功能非常重要。我們將回顧了解模型的可解釋性和explainability的概念,詳細討論不同類型的可說明的模型(例如,基于原型方法,稀疏線性模型、基于規則的技術,廣義可加模型),事后解釋(黑箱解釋，包括反事實解釋和顯著性映射)，并探索可解釋性與因果性、調試和公平性之間的聯系。可解釋機器學習這些應用可以極大地受益于模型的可解釋性，包括刑事司法和醫療保健。

【導讀】越來越明顯的是，廣泛采用的機器學習模型可能導致歧視性結果，并可能加劇訓練數據之間的差異。隨著越來越多的機器學習用于現實世界中的決策任務，必須解決機器學習中的偏見和公平問題。我們的動機是，在各種新興方法中，表示學習為評估和潛在地減輕不公平現象提供了獨特的工具集。本教程介紹了現有的研究，并提出了在表示學習和公平的交集中存在的開放性問題。我們將研究學習公平任務不可知表示的可能性（不可能性），公平性和泛化性能之間的聯系，以及利用來自表示形式學習的工具來實現算法上的個人和群體公平性的機會。本教程旨在為廣大的機器學習實踐者提供幫助，并且必要的背景知識是預測性機器學習的工作知識。

作者介紹

Sanmi Koyejo，伊利諾伊大學香檳分校計算機科學系助理教授。

研究綜述: 我們的研究興趣是開發自適應魯棒機器學習的原理和實踐。最近的一些亮點包括：1）可伸縮的、分布式的和容錯的機器學習；2）度量引出;通過人機交互選擇更有效的機器學習指標。我們的應用研究主要集中在認知神經成像和生物醫學成像方面。最近的一些重點包括①生物圖像的生成模型，②時變腦電圖的估計和分析。

//sanmi.cs.illinois.edu/