Fugu-MT 論文翻訳(概要): Regression Enrichment Surfaces: a Simple Analysis Technique for Virtual Drug Screening Models

論文の概要: Regression Enrichment Surfaces: a Simple Analysis Technique for Virtual Drug Screening Models

arxiv url: http://arxiv.org/abs/2006.01171v1
Date: Mon, 1 Jun 2020 18:03:25 GMT
ステータス: 処理完了
システム内更新日: 2022-11-26 06:50:30.279571
Title: Regression Enrichment Surfaces: a Simple Analysis Technique for Virtual Drug Screening Models
Title（参考訳）: レグレッションエンリッチメントサーフェス : 仮想薬物スクリーニングモデルのための簡易解析手法
Authors: Austin Clyde, Xiaotian Duan, Rick Stevens
Abstract要約: 本稿では,仮想薬物スクリーニングタスクにおけるモデルの性能を理解するための新しい手法を提案する。我々の手法であるRegressive Enrichment Surfaces (RES) は仮想スクリーニングの目的に基づいており、可能な限り多くの最高の治療を検知する。
参考スコア（独自算出の注目度）: 1.76179873429447
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a new method for understanding the performance of a model in virtual drug screening tasks. While most virtual screening problems present as a mix between ranking and classification, the models are typically trained as regression models presenting a problem requiring either a choice of a cutoff or ranking measure. Our method, regression enrichment surfaces (RES), is based on the goal of virtual screening: to detect as many of the top-performing treatments as possible. We outline history of virtual screening performance measures and the idea behind RES. We offer a python package and details on how to implement and interpret the results.
Abstract（参考訳）: 本稿では,仮想薬物スクリーニングタスクにおけるモデルの性能を理解する新しい手法を提案する。ほとんどの仮想スクリーニング問題はランキングと分類の混合として存在するが、モデルは通常、カットオフとランキングのどちらかを選択する必要がある問題を示す回帰モデルとして訓練される。我々の手法であるRegressive Enrichment Surfaces (RES) は仮想スクリーニングの目的に基づいており、可能な限り多くの最高の治療を検知する。仮想スクリーニング性能指標の歴史とRESの背景にある考え方を概説する。私たちは、pythonパッケージと結果の実装と解釈方法の詳細を提供します。

関連論文リスト

ZeroShape: Regression-based Zero-shot Shape Reconstruction [56.652766763775226]
単一画像ゼロショット3次元形状再構成の問題点について検討する。最近の研究は、3Dアセットの生成的モデリングを通してゼロショット形状復元を学習している。我々はZeroShapeが最先端の手法よりも優れた性能を発揮することを示す。
論文参考訳（メタデータ） (2023-12-21T01:56:34Z)
Streaming Active Learning for Regression Problems Using Regression via Classification [12.572218568705376]
本稿では,回帰学習のためのストリーミング能動学習にレグレッション・ウィズ・クラス化フレームワークを用いることを提案する。レグレッション・ウィズ・クラス化は回帰問題を分類問題に変換し、ストリーミング能動学習法を回帰問題に直接適用できるようにする。
論文参考訳（メタデータ） (2023-09-02T20:24:24Z)
Gradient Surgery for One-shot Unlearning on Generative Model [0.989293617504294]
我々は、深層生成モデルに影響を及ぼすデータを取り除くための、単純で効果的なアプローチを導入する。マルチタスク学習における作業に触発されて,サンプル間の影響の相互作用を規則化する勾配の操作を提案する。
論文参考訳（メタデータ） (2023-07-10T13:29:23Z)
Predictive Experience Replay for Continual Visual Control and Forecasting [62.06183102362871]
視覚力学モデリングのための新しい連続学習手法を提案し,その視覚制御と予測における有効性について検討する。まず,タスク固有のダイナミクスをガウスの混合で学習する混合世界モデルを提案し,その上で,破滅的な忘れを克服するための新たなトレーニング戦略を提案する。我々のモデルは,DeepMind Control と Meta-World のベンチマークにおいて,既存の連続的学習アルゴリズムと視覚的RLアルゴリズムの単純な組み合わせよりも優れている。
論文参考訳（メタデータ） (2023-03-12T05:08:03Z)
ResMem: Learn what you can and memorize the rest [79.19649788662511]
本稿では,既存の予測モデルを拡張するための残差記憶アルゴリズム(ResMem)を提案する。構築によって、ResMemはトレーニングラベルを明示的に記憶することができる。 ResMemは、元の予測モデルのテストセットの一般化を一貫して改善することを示す。
論文参考訳（メタデータ） (2023-02-03T07:12:55Z)
Deep Regression Unlearning [6.884272840652062]
我々は、プライバシー攻撃に対して堅牢な、一般化された深層回帰学習手法を導入する。我々は、コンピュータビジョン、自然言語処理、予測アプリケーションのための回帰学習実験を行う。
論文参考訳（メタデータ） (2022-10-15T05:00:20Z)
Improving Non-autoregressive Generation with Mixup Training [51.61038444990301]
本稿では,事前学習したトランスモデルに基づく非自己回帰生成モデルを提案する。我々はMIxソースと擬似ターゲットという,シンプルで効果的な反復訓練手法を提案する。質問生成,要約,パラフレーズ生成を含む3つの世代ベンチマーク実験により,提案手法が新たな最先端結果を実現することを示す。
論文参考訳（メタデータ） (2021-10-21T13:04:21Z)
Probabilistic Modeling for Human Mesh Recovery [73.11532990173441]
本稿では,2次元の証拠から3次元の人体復元の問題に焦点を当てた。我々は,この問題を,入力から3Dポーズの分布へのマッピング学習として再考した。
論文参考訳（メタデータ） (2021-08-26T17:55:11Z)
Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing Regressions In NLP Model Updates [68.09049111171862]
この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。回帰フリーモデル更新を制約付き最適化問題に定式化する。モデルアンサンブルが回帰を減らす方法を実証的に分析します。
論文参考訳（メタデータ） (2021-05-07T03:33:00Z)
Improving Sample and Feature Selection with Principal Covariates Regression [0.0]
この目的に応用された2つの人気のあるサブセレクション方式に焦点をあてる。対象情報を組み込むことで,教師付きタスクにおいてより優れた選択が可能となることを示す。また、単純な教師付き学習モデルの側面を組み込むことで、より複雑なモデルの精度を向上させることも示します。
論文参考訳（メタデータ） (2020-12-22T18:52:06Z)
An Efficient Method of Training Small Models for Regression Problems with Knowledge Distillation [1.433758865948252]
回帰問題に対する知識蒸留の新しい定式化を提案する。まず,教師モデル予測を用いて,教師モデルを用いた学習サンプルの退学率を下げる新たな損失関数,教師の退学率の減少を提案する。マルチタスクネットワークを考えることで、学生モデルの特徴抽出の訓練がより効果的になる。
論文参考訳（メタデータ） (2020-02-28T08:46:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。