分子特性予測のための構造化マルチタスク学習【JST・京大機械翻訳】

Liu Shengchao; Qu Meng; Zhang Zuobai; Cai Huiyu; Tang Jian

プレプリント

J-GLOBAL ID：202202203333075787 整理番号：22P0301345

分子特性予測のための構造化マルチタスク学習【JST・京大機械翻訳】

Structured Multi-task Learning for Molecular Property Prediction

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年02月22日プレプリントサーバーでの情報更新日： 2022年10月05日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

分子特性予測のためのマルチタスク学習は,薬物発見においてますます重要になっている。しかしながら,他のドメインとは対照的に,薬物発見におけるマルチタスク学習の性能は,各タスクに対するラベル付きデータの数があまり制限されないので,まだ満足せず,データ不足を補完する追加データを要求する。本論文では,タスク間の関係グラフが利用できる新しい設定における分子特性予測のためのマルチタスク学習を研究した。最初に,タスク関係グラフと同様に約400タスクを含むデータセット(ChEMBL-STRING)を構築した。次に,そのような関係グラフをよりよく利用するために,著者らは,2つの展望から構造化タスクモデリングを系統的に調査するために,SGNN-EBMと呼ばれる方法を提案した。1)拡張空間では,関係グラフに状態グラフニューラルネットワーク(SGNN)を適用することによりタスク表現をモデル化する。(2)出力空間では,エネルギーベースモデル(EBM)による構造化予測を採用し,雑音コントラスト推定(NCE)アプローチにより効率的に訓練できる。経験的結果はSGNN-EBMの有効性を証明した。コードはhttps://github.com/chao1224/SGNN EBMで利用可能である。【JST・京大機械翻訳】

, , , , , , ,
, , , 【Automatic Indexing@JST】

人工知能

, , ,

前のページに戻る