本周重要论文包括普林斯顿大学的研究人员应用人工智能来预测过冷水中冰核的形成速率；湖大等开发药物筛选新模型等研究。
目录：
Homogeneous ice nucleation in an ab initio machine-learning model of water
KG-MTL: Knowledge Graph Enhanced Multi-Task Learning for Molecular Interaction
Learning with Combinatorial Optimization Layers: a Probabilistic Approach
Federated Graph Machine Learning: A Survey of Concepts, Techniques, and Applications
A Neural Network Solves, Explains, and Generates Universitymath Problems by Program Synthesis and Few-shot Learning Athuman Level
Perturbed and Strict Mean Teachers for Semi-supervised Semantic Segmentation
Collaboration Equilibrium in Federated Learning
ArXiv Weekly Radiostation：NLP、CV、ML 更多精选论文（附音频）
论文 1：Homogeneous ice nucleation in an ab initio machine-learning model of water
- 作者：Pablo M. Piaggi、Jack Weis 等
- 论文地址：https://www.pnas.org/doi/abs/10.1073/pnas.2207294119
摘要：分子模拟为了解均匀冰核形成的微观机制提供了有价值的见解。虽然经验模型已被广泛用于研究这一现象，但迄今为止，基于第一性原理计算的模拟已被证明过于昂贵。即使是近期，由于量子力学计算的计算成本过高，大部分人认为以量子精度模拟冰核形成是不可能的。机器学习的最新进展使这些计算变得易于处理，从而大大扩展了基于从头计算量子力学理论的分子动力学的应用领域。
普林斯顿大学（Princeton University）的研究人员应用人工智能来预测过冷水中冰核的形成速率，并在不依赖经验力场的情况下研究与成核相关的其他量，尽管引用了经典成核理论的组织框架。这项工作是朝着，在更现实的环境和化学反应发挥重要作用的条件下，模拟成核过程，迈出的重要一步。
液态水 - 冰 Ih 界面自由能。
推荐：在模拟水如何冻结时，人工智能打破了僵局。
论文 2：KG-MTL: Knowledge Graph Enhanced Multi-Task Learning for Molecular Interaction
- 作者：Tengfei Ma、Xuan Lin 等
- 论文地址：https://ieeexplore.ieee.org/document/9815157
摘要：分子相互作用预测在药物发现和自然科学等领域中发挥着至关重要的作用，这个问题十分具有挑战性，现有的大多数方法不能准确地利用知识图谱和分子图的信息。
本文中，研究人员提出了一种大规模的知识图谱增强多任务学习模型 KG-MTL，KG 即 Knowledge Graph（知识图谱），旨在描述药物、基因、疾病等实体及它们之间的关联。MTL 即 Multi Task Learning（多任务学习），在学习一个问题的同时，可以通过使用共享机制来获得其他相关问题的知识。具体地，KG-MTL 设计了一个新颖的共享单元以协同的方式从知识图谱和分子图中提取特征，充分利用了知识图谱和分子图的信息。
KG-MTL 的框架。
推荐：利用知识图谱和分子图，湖大等开发药物筛选新模型。本研究在《IEEE 知识与数据工程汇刊》（TKDE）上发表。
论文 3：Learning with Combinatorial Optimization Layers: a Probabilistic Approach
- 作者：Guillaume Dalle、Léo Baty 等
- 论文地址：https://arxiv.org/abs/2207.13513
摘要：机器学习 (ML) 和组合优化 (CO) 是现代工业流程的两个重要组成部分。ML 方法能从嘈杂的数据中提取有意义的信息，而 CO 可以在高维受限环境中做出决策。在许多情况下，我们希望将这两种工具结合使用，例如从数据中生成预测，然后使用这些预测做出优化决策。因此，混合 ML-CO pipeline 成为一个新兴的研究方向。
然而这里存在两个问题。首先，CO 问题的解通常表现为其目标参数的分段常函数，而 ML pipeline 通常使用随机梯度下降进行训练，因此斜率是非常关键的。其次，标准的 ML 损失在组合环境中效果不佳。此外，组合优化层（CO 层）往往缺乏良好的实现。
近日一项新研究从概率学的角度提出了实现 CO 层的方法，有助于近似微分和结构化损失的构建。该研究提出了一个开源的 Julia 包——InferOpt.jl，它的功能包括允许将任何具有线性目标函数的 CO oracle 转换为可微层；定义损失函数来训练包含可微层的 pipeline。
概率 CO 层的影响。
推荐：利用概率学实现组合优化层，新研究构建 Julia 开源包 InferOpt.jl。
论文 4：Federated Graph Machine Learning: A Survey of Concepts, Techniques, and Applications
- 作者：Xingbo Fu、Binchi Zhang 等
- 论文地址：https://arxiv.org/pdf/2207.11812.pdf
摘要：联邦学习（FL）是一种分布式机器学习方案，通过协作训练解决数据孤岛问题。它使参与者（即客户）能够在不共享其私有数据的情况下联合训练机器学习模型。因此，将 FL 与图机器学习相结合成为解决上述问题的有希望的解决方案。
本文中，来自弗吉尼亚大学的研究者提出联邦图机器学习（FGML）。一般来说，FGML 可以根据结构信息的级别分为两种设置：第一种是具有结构化数据的 FL，在具有结构化数据的 FL 中，客户基于其图数据协作训练图机器学习模型，同时将图数据保留在本地。第二种是结构化 FL，在结构化 FL 中，客户端之间存在结构信息，形成客户端图。可以利用客户端图设计更有效的联合优化方法。
原始 FL、具有结构化数据的 FL 以及结构化 FL 的框架比较。
推荐：一文综述「联邦图机器学习」，概念、技术、应用全都有。
