改进分子表征学习，清华团队提出知识引导的图Transformer预训练框架
学习有效的分子特征表征以促进分子特性预测，对于药物发现具有重要意义。最近，人们通过自监督学习技术预训练图神经网络（GNN）以克服分子特性预测中数据稀缺的挑战。然而，当前基于自监督学习的方法存在两个主要障碍：缺乏明确的自监督学习策略和 GNN 的能力有限。
首页 > 表征
-
-
分子表征从「图」到「视频」，1.2亿帧、200万分子，湖大分子视频基础模型登Nature子刊
分子表征已经从「图」扩展到「视频」了。两年前，湖南大学的研究团队，开发了具有化学意识的深度学习框架 ImageMol，用于从大规模分子图像中学习分子结构，可准确预测分子特性和药物靶点。现在，该研究团队将 ImageMol 进行了重大升级，提出一个基于分子视频的基础模型，称为 Video
-
超三万种材料，近百万真实材料合成表征信息，LLM精准构建材料知识图谱MKG，登NeurIPS2024
编辑 |ScienceAI知识图谱集成多源数据信息为结构化知识，以阐明复杂科学领域的数据结构并介导研究进展、创新和应用的结构化知识交流。
-
GAN用于无监督表征学习，效果依然惊人……
无所不能的 GAN 又攻占了一个山头。近年来，GAN 在图像合成领域取得了惊人的成果，例如先前 DeepMind 提出的 BigGAN。
-
浙大蔡登团队：基于序列对比学习的长视频逐帧动作表征
浙大蔡登团队携手微软亚洲研究院，提出了一个新的对比动作表征学习（CARL）框架，以自监督的方式学习逐帧动作表征，尤其是针对长视频；它考虑了时空上下文来提取逐帧表征，是一种基于Transformer的简单而高效的视频编码器。他们提出了一种新的序列对比损失（SCL），应用于通过一系列时空数据增强获得的两
-
CVPR2023|谷歌、MIT提出统一框架MAGE：表征学习超MAE，无监督图像生成超越LatentDiffusion
在一篇 CVPR 2023 论文中，来自 MIT 和谷歌的研究人员提出了一种全新的框架MAGE，同时在图像识别和生成两大任务上实现了 SOTA。识别和生成是人工智能领域中的两大核心任务，如果能将二者合并到一个统一的系统中，这两个任务应该能实现互补。事实上，在自然语言处理中，像 BERT [1] 这样
