TxGNN 架构深度拆解与 Zero-Shot 复现

原创 已于 2026-08-06 17:35:46 修改 · 12 阅读 · 0 GEO检测
于 2026-08-06 17:31:23 首次发布

1. 核心要点概括

  1. 解决的核心痛点：传统药物重定位模型高度依赖“已知药物”特征，遇到无已知疗法的零样本疾病（Zero-Shot Disease）时预测能力骤降。TxGNN 专门为此场景设计。
  2. 统一预测框架：在生物医学知识图谱 PrimeKG 上统一建模适应症（Indication）、禁忌症（Contraindication） 和 超说明书用药（Off-label use）。
  3. 主干架构：2 层 HeteroRGCN + 度量学习疾病原型增强（Disease Prototype） + DistMult 解码器，并支持事后提取多跳路径解释（GraphMask）。
  4. 两阶段训练：整图全关系预训练（Pretrain）学通用实体表示 →\rightarrow→
标签
#GNN #人工智能
了解本专栏 订阅专栏 解锁全文
【数据挖掘】聚类之k-means
听雨草堂
04-18 9454
1.算法简述 分类是指分类器（classifier）根据已标注类别的训练集，通过训练可以未知类别的样本进行分类，被成为监督学习（supervised learning）。如果训练集的样本没有标注类别，那么就需要用到聚类。聚类是把相似的样本聚成一类，这种相似性通常以距离来度量。聚类被称为无监督学习（unspervised learning）。 k-means是聚类算法中常用的一种
【数据挖掘】分类之Naïve Bayes
听雨草堂
04-28 8318
1.算法简介 朴素贝叶斯（Naive Bayes）是无监督学习的一种常用算法，易于实现，没有迭代，并有坚实的数学理论（即贝叶斯定理）作为支撑。 本文以拼写检查作为例子，讲解Naive Bayes分类器是如何实现的。对于用户输入的一个单词（words），拼写检查试图推断出最有可能的那个正确单词（correct）。当然，输入的单词有可能本身就是正确的。比如，输入的单词thew，用户
【数据挖掘】分类之decision tree
听雨草堂
04-24 7408
1. ID3 算法 ID3 算法是一种典型的决策树（decision tree）算法，C4.5, CART都是在其基础上发展而来。决策树的叶子节点表示类标号，非叶子节点作为属性测试条件。从树的根节点开始，将测试条件用于检验记录，根据测试结果选择恰当的分支；直至到达叶子节点，叶子节点的类标号即为该记录的类别。 ID3采用信息增益（information gain）作为分裂属性
【数据挖掘】分类之kNN
听雨草堂
04-15 7983
1.算法简介 knn的思想挺简单的：计算待分类的数据点与训练集所有样本点，取距离最近的k个样本；统计这k个样本的类别数量；根据多数表决方案，取数量最多的那一类作为待测样本的类别。距离度量可采用Euclidean distance，Manhattan distance和cosine。 用Iris数据集作为测试，代码参考[1] import numpy as np impor
【推荐系统】协同过滤之基于用户的最近邻推荐
听雨草堂
05-23 7097
1.算法简介 协同过滤（collaborative filtering）的核心思想：利用其他用户的行为来预测当前用户。协同过滤算法是推荐系统中最基本的，同时在业界广为使用。根据使用的方法不同，可以分为基于用户（user-based）、基于物品（item-based）的最近邻推荐。 基于用户的最近邻推荐的主要思想：对于一个给定的评分集，找出与当前用户u口味相近的k个用户；然后，对
时间序列分解算法：STL
听雨草堂
08-18 1938
1. 详解 STL (Seasonal-Trend decomposition procedure based on Loess) [1] 为时序分解中一种常见的算法，基于LOESS将某时刻的数据\(Y_v\)分解为趋势分量(trend component)、周期分量(seasonal component)和余项(remainder component): \[Y_v = T _v + S_v ...
中文分词工具探析（一）：ICTCLAS (NLPIR)
听雨草堂
12-27 1623
【开源中文分词工具探析】系列： 开源中文分词工具探析(一)：ICTCLAS (NLPIR) 开源中文分词工具探析(二)：Jieba 开源中文分词工具探析(三)：Ansj 开源中文分词工具探析(四)：THULAC 开源中文分词工具探析(五)：FNLP 开源中文分词工具探析(六)：Stanford CoreNLP 开源中文分词工具探析(七)：LTP 1. 前言 ICTCLAS是张华平老师推出...
局部加权回归LOWESS
听雨草堂
08-17 1421
1. LOWESS 用kNN做平均回归： \[\hat{f(x)} = Ave(y_i | x_i \in N_k(x)) \]其中，\(N_k(x)\)为距离点x最近k个点组成的邻域集合(neighborhood set)。这种邻域平均回归存在很多缺点： 没有考虑到不同距离的邻近点应有不同的权重； 拟合的曲线不连续(discontinuous)，如下图。 因此引入kernel加权平滑： ...
Llama 3.1 大模型指令微调提升中文能力
听雨草堂
09-12 1301
Llama 3.1 是一个通用的大型语言模型，尽管它在多种语言上进行了训练，但在某些特定语言（如中文）上的表现可能不如专门针对该语言进行优化的模型。通过指令微调，可以提高模型在处理中文文本时的理解和生成能力。对于某些领域（如医疗、法律、科技等），可能存在大量的中文专业术语和特定表达。通过指令精调，可以让模型更好地理解和生成这些领域的中文内容。通用大模型Llama 3.1 在中文评测数据集C-Eval、CMMLU 上表现不佳，通过精调可以针对特定任务进行优化，提升模型在这些任务上的性能。
开源中文分词工具探析（六）：Stanford CoreNLP
听雨草堂
02-07 1257
CoreNLP是由斯坦福大学开源的一套Java NLP工具，提供诸如：词性标注(part-of-speech (POS) tagger)、命名实体识别(named entity recognizer (NER))、情感分析(sentiment analysis)等功能。 【开源中文分词工具探析】系列： 开源中文分词工具探析(一)：ICTCLAS (NLPIR) 开源中文分词工具探析(二)：J...
开源中文分词工具探析（七）：LTP
听雨草堂
06-11 1073
LTP是哈工大开源的一套中文语言处理系统，涵盖了基本功能：分词、词性标注、命名实体识别、依存句法分析、语义角色标注、语义依存分析等。 【开源中文分词工具探析】系列： 开源中文分词工具探析(一)：ICTCLAS (NLPIR) 开源中文分词工具探析(二)：Jieba 开源中文分词工具探析(三)：Ansj 开源中文分词工具探析(四)：THULAC 开源中文分词工具探析(五)：FNLP 开源中文分...
开源中文分词工具探析（四）：THULAC
听雨草堂
02-22 1044
THULAC是一款相当不错的中文分词工具，准确率高、分词速度蛮快的；并且在工程上做了很多优化，比如：用DAT存储训练特征(压缩训练模型)，加入了标点符号的特征(提高分词准确率)等。 【开源中文分词工具探析】系列： 开源中文分词工具探析(一)：ICTCLAS (NLPIR) 开源中文分词工具探析(二)：Jieba 开源中文分词工具探析(三)：Ansj 开源中文分词工具探析(四)：THULAC ...
【大模型】预训练语料质量筛选
听雨草堂
07-01 892
在大型语言模型（LLM）的开发过程中，预训练数据的规模和质量对塑造LLM的能力起着至关重要的作用。语言模型的数据集迅速扩大，其中最重要的是Common Crawl （CC) 数据集，包含近1T 个词。这样规模的数据集足以训练最大的模型。然而，未经筛选或轻度筛选的CC 数据集质量往往比经过精心构建的数据集要低。
大语言模型（一）OLMo
听雨草堂
05-30 775
OLMo 是由AI2 发布的大语言模型以及构建框架，与大多数之前的尝试只发布模型权重和推理代码不同，OLMo 开源了整个框架，包括训练数据、训练代码以及模型评估代码。OLMo框架包括构建和研究语言模型所需的工具和资源。对于训练和建模，它包括完整的模型权重、训练代码、训练日志、消融实验、以Weights & Biases日志形式的训练指标，以及推理代码。这次发布包括我们的语言模型在7B规模上的四个变体，对应不同的架构、优化器和训练硬件，以及一个1B规模的模型，所有模型都至少训练了2T token。
B2B企业AI搜索可见度诊断与GEO技术优化实践：从0%到67%的架构重构之路
daydayup0931的博客
08-26 227
B2B采购的AI化不是趋势，而是已经发生的现实。确保品牌被写进AI的大脑。用中立监测工具做一次AI可见度体检，定位品牌在12+模型中的存在感盲区；将官网从“展示窗口”重构为“AI信源”，重点改造信息架构、FAQ体系和资质事实页；建设企业知识库，统一多信源口径，为AI提供高置信度的引用素材。今天不做，明天你的客户就会被AI推荐到竞品那里。技术团队应抓住当前窗口期，用工程化手段解决AI可见度问题。
8.4 处理智能体的工具调用与输出解析《LangGraph开发AI Agent实践》
夏天又到了的专栏
08-24 537
规范遵循：工具需遵循LangChain的BaseTool接口，定义清晰的name、description以及args_schema（通常为Pydantic模型）。注册方式：将工具实例传入LLM的tools参数（如OpenAI的function_calling）或通过LangGraph的状态节点显式绑定。目的：确保LLM能理解工具的功能、输入格式及使用场景。
ChatGPT生成的pdf怎么导出 只要加个“AI导出鸭”
aidssxz的博客
08-25 662
摘要： 本文探讨了ChatGPT生成内容导出为PDF时的格式问题，分析了公式乱码、排版错乱等痛点，对比了四种主流导出方案的优劣。研究发现，直接复制粘贴格式损失严重，Pandoc虽效果最佳但操作复杂。文章提出需要标准化"AI原生→版式文档"转译层，并介绍了"AI导出鸭"小程序的工程化解决方案——通过构建AST解析层和对接PDF渲染引擎，实现一键高保真导出，平均耗时仅23秒，格式保真度达9.2/10，已服务超3万次导出请求。
从自然语言到结构化活动方案：Cyber TPM AI智能活动推荐如何嵌入TPM业务流程
最新发布
CyberwayTech的博客
08-27 200
生成的活动方案不应直接等同于最终业务决策。活动结束后，预测数据、实际活动结果以及业务人员的调整信息，可以继续沉淀到TPM体系中。因此，赛博威Cyber TPM AI智能活动推荐的关键并不是单纯“生成文本”，而是让AI建议能够建立在企业业务数据和规则基础之上。之后再将这些信息录入TPM系统，而AI开始进入TPM之后，一个值得关注的变化，是系统开始向“活动方案形成”这一更前置的环节延伸。真正有价值的企业AI，不只是能够生成内容，而是能够嵌入原有业务流程、调用企业数据、遵守企业规则，并将结果继续沉淀回业务系统。
Codex 实战：用 AI 写运维脚本
2601_96492900的博客
08-25 225
如果发现数字提取有误，可以继续在会话中让 Codex 调整 awk 逻辑，例如“状态码只匹配三位数组成的字段，且只取每行第一个符合条件的字段”。AI 写运维脚本的收益，不在某一两个脚本上，而在你形成的**“明确描述需求 + 快速验证反馈”的工程习惯**。这是一个非常典型的日志分析任务，用 Shell 的 grep、awk 就能完成，但字段位置容易写错，正好适合用 Codex 来生成。理解这三者的关系，能解释很多看似“不稳定”的现象：同样的需求，换个说法、少给一段上下文，结果可能完全不同。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

浅唱书令

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值