摘要：近年来,随着图神经网络(graph neural network,GNN)技术在社交、信息、化学、生物等领域的广泛应用,GNN可解释性也受到广泛的关注.然而,现有的解释方法无法捕获层次化的解释信息,同时,这些层次信息未能被充分利用以提升图分类任务的准确率.基于这一问题,提出了一种层次化自解释的图表示学习(hierarchical self-explanation graph representation learning,HSEGRL)模型,该模型通过发现图结构中的层次信息进行图分类预测的同时,输出层次化的模型自解释结果.具体而言,针对图层次信息的发现设计了提取信息的基本单元——解释子,该解释子由提取节点特征的编码器获取层次化解释感知子图的池化层和抽取高阶解释信息的解码器组成.其中,为了准确提取层次化的解释子图,针对该模型的池化操作进行了解释感知优化设计,该设计通过评估模型的拓扑及特征重要性,层次化地筛选解释子图,实现分层自解释的同时完成图分类任务.HSEGRL是一个功能完备且便于迁移的图表示学习自解释模型,可以层次化综合考虑模型的拓扑信息与节点特征信息.在模型有效性验证层面,分别在分子、蛋白质和社交数据集上进行大量实验,实验结果表明所提模型在图分类任务中的分类准确率高于已有的先进的GNN自解释模型和GNN模型,并通过可视化分层解释结果的信息证明了该解释方法可信.

摘要：图计算作为分析与挖掘关联关系的一种关键技术,已在智慧医疗、社交网络分析、金融反欺诈、地图道路规划、计算科学等领域广泛应用.当前,通用CPU与GPU架构的并行结构、访存结构、互连结构及同步机制的不断发展,使得多核CPU与GPU成为图处理加速的常用平台.但由于图处理具有处理数据规模大、数据依赖复杂、访存计算比高等特性,加之现实应用场景下的图数据分布不规则且图中的顶点与边呈现动态变化,给图处理的性能提升和高可扩展性带来严峻挑战.为应对上述挑战,大量基于多核CPU与GPU平台的图处理系统被提出,并在该领域取得显著成果.为了让读者了解多核CPU与GPU平台上图处理优化相关技术的演化,首先剖析了图数据、图算法、图应用特性,并阐明图处理所面临的挑战.然后分类梳理了当前已有的基于多核CPU与GPU平台的图处理系统,并从加速图处理设计的角度,详细、系统地总结了关键优化技术,包括图数据预处理、访存优化、计算加速和数据通信优化等.最后对已有先进图处理系统的性能、可扩展性等进行分析,并从不同角度对图处理未来发展趋势进行展望,希望对从事图处理系统研究的学者有一定的启发.

摘要：为了研究鱼类的甲基转移酶set9[SET domain containing(lysine methyltransferase)9,也称作set7/setd7]在低氧耐受中的功能,以斑马鱼(Danio rerio)作为模式生物,利用CRISPR/cas9(Clustered regularly interspaced short palindromic repeats/CRISPR associated protein 9)基因编辑技术,在斑马鱼set9基因的第一个外显子上设计了cas9的靶位点,对其进行基因敲除,获得了缺失8个碱基的set9基因敲除的斑马鱼品系。对受精后3d的斑马鱼幼鱼和3月龄的斑马鱼成鱼进行低氧胁迫处理,比较了野生型及set9基因敲除的斑马鱼的低氧耐受能力;并对低氧胁迫处理后的3月龄的野生型及set9基因敲除的斑马鱼成鱼的脑组织取材、固定并进行TUNEL染色。结果显示:set9基因敲除的斑马鱼与野生型相比,其低氧耐受能力显著增强,脑组织中的细胞凋亡水平显著减少。研究为进一步揭示鱼类甲基转移酶set9在低氧耐受中的功能和分子机制提供了线索,并为培育耐低氧鱼类新品种提供了候选靶标。

摘要：Janus膜两侧由不同物理或化学性质的材料组成,通过不同材料之间互相组合、互补和合作,从而表现出独特的性质,为开发先进膜材料和用途提供更多途径.近年来,Janus膜越来越受到研究者的关注,并在能源、环境、医疗等领域表现出极大的应用潜力.本文系统介绍了Janus膜在理论设计、制备工艺和应用方面的研究进展,并对存在的问题进行了探讨,对未来的发展进行了展望.

摘要：【目的】对机器学习安全推理现有的研究工作进行分析,对未来的研究方向进行展望。【方法】以不同方案的安全假设为分类依据,对采用不同的技术组合、应用于不同机器学习场景的安全推理技术进行分析比较。【结果】目前的方案可实现机器学习的安全推理,但在计算效率、安全保护能力、可扩展性以及实际应用场景的适应性方面存在局限。【局限】受限于能够获取到的资料,未能对所分析的方案在同一基准下进行实验及比较。【结论】根据应用场景进行机器学习安全推理的方案设计,在确保安全的前提下提高可用性并降低开销成本,将是该领域的长期发展方向。