抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】