一些个人还没展开具体研究的高频词：

    • knowledge distillation
    • Transformer & ViT
    • Spiking Neural Network
    • few-shot learning & meta learning
    • active learning
    • federated learning
    • long tail
    • continual learning
    • Causality & counterfactual
    • anomaly detection
    • OOD detection
    • curriculum learning
    • Retrosynthesis Prediction
    • Bilevel Optimization
    • diffusion models
    • Equivariant

    一些或许有用的工作：

    1. ProGCL: Rethinking Hard Negative Mining in Graph Contrastive Learning

    目前没有原文。作者考虑到对比学习中hard negative（就是难以与正样本区分的负样本），工作具体到GCL领域，会对负样本估算为真的概率（为假时实则与正样本为同类，没有必要push away）。

    1. Counterfactual Analysis from Stochastic Observations with Hidden Confounders

    Clinical outcome prediction under hypothetical interventions – a representation learning framework for counterfactual reasoning
    目前没有原文。利用到因果关系。数据集是EHR，想要进行一些counterfactual（反事实）分析，改善现有治疗方法。另一篇也用了反事实进行医疗方面的预测。

    1. Interpretable Multi-hop Reasoning for Forecasting Future Links on Temporal Knowledge Graphs

    有ICLR的under review版本。具体任务是针对temporal知识图谱，根据历史状态预测未来的链接。

    1. Beyond Truncated-Receptive Field for Scalable Graph Learning

    目前没有原文。关于GNN的工作，挺有意思的想法。作者让图神经网络的聚合步骤有选择有范围地聚合邻居信息，避免过平滑，设计了分类器，在学习到的接受域上进行聚合，利用到了transformer结构。

    1. GraphR: Differentiable Learning of Graph-like Rules on Knowledge Graphs

    有ICLR的under review版本。因为和知识图谱相关就记录一下，是学习KG中的规则的模型。

    1. Information Directed Sampling for Two-Stage Contextual Multi-Arm Bandit Problem

    目前没有原文。 这个摘要提到癌症治疗可以分两个stage，需要进行权衡，或许可以处理类似医疗任务。

    1. Causal Latent Domain Model with Mutual Intervention for Domain Generalization

    目前没有原文。完成医疗任务的，用到了因果和隐变量，旨在学习来自不同domain的医疗数据中包含的域不变数据。

    1. De novo design of protein target specific scaffold-based Inhibitors via Reinforcement Learning

    有ICLR的under review版本。强化学习做分子生成的，大致看了一下感觉并不是de novo的，是从一个已有架构开始的。模型用了分子的3D结构，如果要做分子生成也可以在3D表示上下功夫，因为现在的大部分都是基于SMILES和graph的。另：看到一个任务叫molecular editing，或许更符合这个形容。

    1. DAG Learning for Heteroscedastic Variables under Varing Residual Variance

    目前没有原文。有向无环图的学习，可以解决贝叶斯网络，是对重构损失的目标的改进。

    1. Let Your Heart Speak in its Mother Tongue: Multilingual Captioning of Cardiac Signals

    有ICLR的under review版本。心电图任务，生成多语言报告。

    1. SoQal: Selective Oracle Questioning for Consistency Based Active Learning of Cardiac Signals

    有ICLR的under review版本。利用主动学习（active learning）来解决解决医疗领域标签信息不足的问题，具体到数据集是心脏相关的数据。

    1. Molformer: Motif-based Roto-Translation Invariant Transformer on 3D Heterogeneous Molecular Graphs

    ComENet: Towards Complete and Efficient Message Passing for 3D Molecular Graphs
    目前没有原文。都是对分子的3D结构进行表示的工作，还读到几篇就不放了，大致就是从分子或者蛋白质3维结构提取特征进行表示。

    1. Graph Self-supervised Learning with Accurate Discrepancy Learning

    原文。图的自监督学习，在学习时会考虑原始图和扰动图之间的差异并进行量化。

    1. RetroComposer: Discovering Novel Reactions by Composing Templates for Retrosynthesis Prediction

    原文。一个药物方面的任务，Retrosynthesis Prediction，似乎是根据生产产物来预测反应物的任务。“take the target product as input and predict possible reactants ”。还有其他文章也干这个，这里就不多放了。

    1. Graph Contrastive Learning With No Augmentations

    目前没有原文。不采用图增强的对比学习，只利用负样本。

    1. Graph Adversarial Model for Reaction Predictions

    目前没有原文。根据反应物预测生成物。模型除了利用对抗结构还有RL。感觉有点类似分子生成。

    1. Classify Your Mind: Temporal Clusters of Multivariate Time-Series EEG Data for Classification of Cognitive Abilities and Personality Trait

    目前没有原文。利用时间序列模型处理脑电图，对人格进行分类和预测任务。除此之外还有类似工作就不放了，用时间序列模型处理处理脑电图和心电图的任务，推断脑功能障碍和心脏活动。

    1. Coarformer: Transformer for large graph via graph coarsening

    有ICRL的under review版本。摘要说Transformer仅在推广到小的graph比如分子图体现优势，这个工作是GNN和Transformer的有效结合。

    1. Deep Spectral Q-learning in Infinite Horizon with Applications in Mobile Health

    目前没有原文。利用强化学习，与主成分分析相结合，对混合频率（因为对患者信息的收集频率不同）的数据进行处理并给出治疗方案。

    1. Patient Graph Profiler: Graph Neural Networks based Disease Severity Risk Prediction

    目前没有原文。将病人的数据用图进行表示，任务是判断患者疾病的严重程度。

    1. Learning from Counterfactual Links for Link Prediction

    目前没有原文。用反事实做链接预测。基于数据增强的链接预测，具体是创造新的链接，使用因果模型，将节点对的信息（即学习后的表示）作为上下文。

    1. Self Playing RNA Inverse Folding

    目前没有原文。强化的一个应用，进行RNA反折叠的任务。

    1. Cluster-based Feature Importance Learning for Electronic Health Record Time-series

    有ICLR的under review版本。在处理EHR的时候进行了聚类，可以识别相似的群体，改善预测。

    1. Learning Substructure-Aware Molecule Representation against Distribution Shift

    目前没有原文。将分子拆分成多个substructure并进行表示学习，达到更好的分子性质预测效果。

    1. Exploring and Distilling Prior Knowledge for Generating Patient Instructions

    目前没有原文。文章提出输出患者指导（PI，patient instructions）的模型，主要依据医学知识和历史PI学习，再针对从未见过的患者进行检查，生成PI。

    1. Generative Coarse-Graining of Molecular Conformations

    原文。Coarse-Graining是一个对分子粗粒度化的过程，为了加速模拟而设计，但恢复成细粒度fine-graining成为挑战。模型主要还是利用生成方法进行CG到FG的恢复。

    1. Extracting Clinician’s Goals by What-if Interpretable Modeling

    原文。强化与医疗的结合，算法的设计重点在治疗患者获得的回报，并使用广义加性模型GAM来恢复奖励。

    1. Graph in Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for molecule prediction and healthcare applications

    目前没有原文。图中图的意思就是将图作为隐变量，假设输入的图数据之间有潜在的图结构。可以进行蛋白质分类和脑成像应用。

    1. Molecular Graph Representation Learning via Heterogeneous Motif Graph Construction

    原文。在对分子图进行嵌入表示时考虑了分子之间的基序关系。

    1. An Exploration of The Latent Hierarchical Relationship between Medical Tasks

    目前没有原文。数据集是EHR，作者考虑到可以用EHR完成很多任务，比如诊断预测，住院时间预测，死亡率预测等。这个工作将不同的任务定为层级关系，用低级任务改进高级任务的预测。

    1. Supervised Archetypal Analysis

    目前没有原文。作者给一种叫archetypal analysis（AA）的方法加入了监督信息，提出了有监督地寻找原型（prototype）的方法，或许可以在用到prototype相关时作为参考。

    1. Temporal Dynamic Embedding for Irregularly Sampled Time Series

    目前没有原文。对患者的数据进行时序动态嵌入。

    1. Molecular Generation by Principal Subgraph Mining and Assembling

    目前没有原文。一种挺别致的分子生成方法， 强调子图的作用，先生成比较频繁的子图再进行组装，用到GVAE。

    1. Risk Prediction in Heterogeneous Electronic Health Records with Semi-supervised Meta-learning

    目前没有原文。之前的模型缺乏对异质性的考虑（个人不懂具体指什么），这篇文章建立适应性模型，使用半监督的元学习对EHR数据集进行风险预测。

    1. Revisiting Virtual Nodes in Graph Neural Networks for Link Prediction

    有ICLR的under review版本。因为之前没有了解过virtual node的概念这里想记录一下。简单来说虚拟节点可以理解为给节点的连接提供捷径。作者说之前只有工作把虚拟节点用在图分类，这篇用在链接预测。

    1. Molecular Representation Learning with Cascade Transformers

    目前没有原文。用Transformer来对分子进行表示。

    1. 3DLinker: An E(3) Equivariant Variational Autoencoder for Molecular Linker Design

    目前没有原文。作者设计了一个新任务，就是连接两个具有不同功能的独立分子产生新的药物，连接的时候也是基于3D结构的，用到了等变网络，也对3D坐标有研究。

    1. Optimally Controlled Protein Folding using a Stochastic Pontryagin Maximum Principle

    目前没有原文。看到是强化与医疗的结合就记录一下，是做蛋白质结构预测任务的。

    1. AlphaDrug: Protein Target Specific De Novo Molecular Generation

    目前没有原文。之前看到的分子生成都是无条件生成，这个的生成是target-oriented的。用到transformer。