突破性AI模型ENDNet：精準剔除雜訊，子圖匹配準確率飆升至99.1%

日本熊本大學研究團隊在《IEEE Access》期刊發表革命性深度學習模型ENDNet，成功解決子圖匹配技術長期面臨的「雜訊幹擾」難題。這項突破將直接提升從藥物開發到自然語言處理等多個關鍵領域的應用效能。

子圖匹配技術主要用於在複雜網路中識別特定模式，但傳統圖神經網路(GNN)常因資料中的冗餘節點而影響判斷準確度。研究團隊負責人、理工學部天崎望樹教授與助理教授木山真人指出：「這些多餘節點就像背景雜訊，會嚴重幹擾系統辨識真正重要的圖形特徵。」

ENDNet創新性地整合三大核心機制：首先透過節點重要性評估模組過濾無關節點，再經特徵強化層聚焦關鍵結構，最後由決策網路輸出精準匹配結果。在COX2等四個公開資料集的測試中，其準確率從傳統方法的91.6%躍升至99.1%，創下該領域新紀錄。

木山助理教授強調：「這項技術特別適合處理生物網路、分子結構等真實資料，我們已將原始碼公開於GitHub平臺，期待能加速產業應用發展。」團隊下一步將挑戰更大規模的資料集，進一步驗證模型的擴充套件效能。

[end]