文献

J-GLOBAL ID：202102268798492112   整理番号：21A3170400

環境懸念の有機化学物質を認識するための深い畳込みニューラルネットワークプロセスのより良い理解に向けて【JST・京大機械翻訳】

Towards a better understanding of deep convolutional neural network processes for recognizing organic chemicals of environmental concern

著者 (7件)： Sun Xiangfei (Guangdong Key Laboratory of Environmental Pollution and Health, School of Environment, Jinan University, Guangzhou 511443, China) ,  Zhang Xianming (Department of Chemistry and Biochemistry, Concordia University, Montreal, Quebec H4B 1R6, Canada) ,  Wang Luyao (Guangdong Key Laboratory of Environmental Pollution and Health, School of Environment, Jinan University, Guangzhou 511443, China) ,  Li Yuanxin (Guangdong Key Laboratory of Environmental Pollution and Health, School of Environment, Jinan University, Guangzhou 511443, China) ,  Muir Derek C.G. (Guangdong Key Laboratory of Environmental Pollution and Health, School of Environment, Jinan University, Guangzhou 511443, China) ,  Muir Derek C.G. (Environment and Climate Change Canada, Aquatic Contaminants Research Division, 867 Lakeshore Road, Burlington, Ontario L7S 1A1, Canada) ,  Zeng Eddy Y. (Guangdong Key Laboratory of Environmental Pollution and Health, School of Environment, Jinan University, Guangzhou 511443, China)
資料名： Journal of Hazardous Materials  (Journal of Hazardous Materials)
巻： 421  ページ： Null  発行年： 2022年 
JST資料番号： B0362A  ISSN： 0304-3894  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 深い畳み込みニューラルネットワーク(DCNN)は,環境懸念の有機化学物質を同定するための有望なツールであることが証明されている。しかし,DCNN予測に関連する不確実性は定量化されていない。訓練プロセスは,データセットセグメンテーション,入力シーケンス,および初期重みなどの多くのランダム構成を含んでいる。さらに,DCNN作動機構は非線形で不透明である。この新規アプローチを使用するための信頼性を増すために,持続的,生物蓄積性,および毒性物質(PBT)を,111,852の化学物質および2424の利用可能なMDsを有する5つの識別されたデータセットおよび10の異なる分子記述子(MD)配列の下で予測不確実性を推定するための環境懸念の代表的化学物質として利用した。内部相関係数試験は,予測信頼度が,sing DCNN予測の代わりに平均50DCNN予測を用いた場合,0.98に達したことを示した。PBT分類の閾値を,偽陰性と偽陽性予測の間のコストを考慮して決定した。誘導バックプロパゲーションクラス活性化マッピング(GBP-CAM)顕著性画像によって明らかにされたように,すべての選択されたMDの12%だけがDCNNによって活性化され,意思決定プロセスに影響した。しかし,活性化MDは化学クラス間で変化しただけでなく,異なるDCNNsでシフトした。主成分分析は,2424MDsが370直交変数に変換できることを示した。両結果は,冗長性が選択されたMDs間に存在することを示唆する。しかし,DCNNは,より良い予測性能のための最も重要な情報に焦点を合わせて,冗長なデータに適応することが分かった。Copyright 2021 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 冗長性 ,  信頼性 ,  信頼度 ,  セグメンテーション ,  不確実性 ,  汚染物質 ,  相関係数 ,  *有機化合物 ,  化学物質 ,  直交性 ,  主成分分析 ,  逆伝搬法
準シソーラス用語： 予測性能 ,  偽陰性 ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 予測の不確実性 ,  冗長性 ,  誘導バックプロパゲーション ,  勾配加重クラス活性化マッピング ,  有機汚染物

分類 (2件)： その他の汚染原因物質  (SB05040W) ,  下水,廃水の生物学的処理  (SC03060H)

タイトルに関連する用語 (6件)： 環境 ,  懸念 ,  有機化学物質 ,  畳込みニューラルネットワーク ,  プロセス ,  理解