論文の概要: A Comparative Analysis of the Ensemble Methods for Drug Design

• arxiv url: http://arxiv.org/abs/2012.07640v1
• Date: Fri, 11 Dec 2020 05:27:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-14 08:42:08.247950
• Title: A Comparative Analysis of the Ensemble Methods for Drug Design
• Title（参考訳）: 医薬品設計におけるアンサンブル法の比較分析
• Authors: Rifkat Davronova and Fatima Adilovab
• Abstract要約: エンサンブルベースの機械学習アプローチは、限界を克服し、信頼できる予測を生成するために使用されます。 本稿では、57のアルゴリズムを開発し、4つの異なるデータセットを比較した。 提案した個々のモデルは統合されたモデルとして印象的な結果を示さなかったが、組み合わせると最も重要な予測器とみなされた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantitative structure-activity relationship (QSAR) is a computer modeling technique for identifying relationships between the structural properties of chemical compounds and biological activity. QSAR modeling is necessary for drug discovery, but it has many limitations. Ensemble-based machine learning approaches have been used to overcome limitations and generate reliable predictions. Ensemble learning creates a set of diverse models and combines them. In our comparative analysis, each ensemble algorithm was paired with each of the basic algorithms, but the basic algorithms were also investigated separately. In this configuration, 57 algorithms were developed and compared on 4 different datasets. Thus, a technique for complex ensemble method is proposed that builds diversified models and integrates them. The proposed individual models did not show impressive results as a unified model, but it was considered the most important predictor when combined. We assessed whether ensembles always give better results than individual algorithms. The Python code written to get experimental results in this article has been uploaded to Github (https://github.com/rifqat/Comparative-Analysis).
• Abstract（参考訳）: 定量的構造活性相関 (QSAR) は、化学化合物の構造特性と生物活性の関係を同定するコンピュータモデリング手法である。 薬物発見にはQSARモデリングが必要であるが、多くの制限がある。 アンサンブルベースの機械学習アプローチは、制限を克服し、信頼できる予測を生成するために使用されている。 アンサンブル学習は多様なモデルを作り、それらを組み合わせます。 比較分析では,各アンサンブルアルゴリズムと基本アルゴリズムのペアリングを行ったが,基本アルゴリズムも別々に検討した。 この構成では、57のアルゴリズムが開発され、4つの異なるデータセットで比較された。 そこで,多様なモデルを構築し,それらを統合する複雑なアンサンブル手法を提案する。 提案した個々のモデルは統合されたモデルとして印象的な結果を示さなかったが、組み合わせると最も重要な予測器とみなされた。 我々は、アンサンブルが必ずしも個々のアルゴリズムよりもよい結果を与えるかどうかを評価した。 この記事で実験結果を得るために書かれたPythonコードはGithubにアップロードされた(https://github.com/rifqat/Comparative-Analysis)。

関連論文リスト

• Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
  薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。 グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。 我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2024-07-04T16:56:59Z)
• Relation-aware Ensemble Learning for Knowledge Graph Embedding [68.94900786314666]
  我々は,既存の手法を関係性に配慮した方法で活用し,アンサンブルを学習することを提案する。 関係認識アンサンブルを用いてこれらのセマンティクスを探索すると、一般的なアンサンブル法よりもはるかに大きな検索空間が得られる。 本稿では,リレーショナルなアンサンブル重みを独立に検索する分割探索合成アルゴリズムRelEns-DSCを提案する。
  論文  参考訳（メタデータ） (2023-10-13T07:40:12Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• Context-Aware Ensemble Learning for Time Series [11.716677452529114]
  本稿では,ベースモデルの特徴ベクトルの結合である特徴のスーパーセットを用いて,ベースモデル予測を効果的に組み合わせたメタ学習手法を提案する。 我々のモデルは、ベースモデルの予測を機械学習アルゴリズムの入力として使用するのではなく、問題の状態に基づいて各時点における最良の組み合わせを選択する。
  論文  参考訳（メタデータ） (2022-11-30T10:36:13Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• Structurally Diverse Sampling Reduces Spurious Correlations in Semantic Parsing Datasets [51.095144091781734]
  本稿では,構造化された出力を持つラベル付きインスタンスプールから,構造的に多様なインスタンス群をサンプリングする新しいアルゴリズムを提案する。 提案アルゴリズムは, 合成テンプレート分割だけでなく, 従来のID分割においても, 従来のアルゴリズムよりも競合的に動作することを示す。 一般に、多種多様な列車集合は、10組のデータセット分割ペアのうち9組で同じ大きさのランダムな訓練集合よりも優れた一般化をもたらす。
  論文  参考訳（メタデータ） (2022-03-16T07:41:27Z)
• Developing parsimonious ensembles using predictor diversity within a reinforcement learning framework [4.204145943086225]
  強化学習(RL)ベースのアンサンブル選択フレームワークにアンサンブル多様性を組み込んだアルゴリズムをいくつか紹介します。 これらのアルゴリズムは、最終的に効果的なアンサンブルに同化予測モデルの解釈またはリバースエンジニアリングを支援することができる。
  論文  参考訳（メタデータ） (2021-02-15T05:00:19Z)
• Finding the Homology of Decision Boundaries with Active Learning [26.31885403636642]
  本稿では,意思決定境界のホモロジーを回復するための能動的学習アルゴリズムを提案する。 我々のアルゴリズムは、ラベルを必要とするサンプルを逐次かつ適応的に選択する。 いくつかのデータセットの実験では、ホモロジーを回復する際のサンプルの複雑さの改善が示されている。
  論文  参考訳（メタデータ） (2020-11-19T04:22:06Z)
• Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
  乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。 アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。 ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
  論文  参考訳（メタデータ） (2020-02-20T10:50:58Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。