論文の概要: DGL-LifeSci: An Open-Source Toolkit for Deep Learning on Graphs in Life Science

• arxiv url: http://arxiv.org/abs/2106.14232v1
• Date: Sun, 27 Jun 2021 13:27:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-29 17:45:28.343439
• Title: DGL-LifeSci: An Open-Source Toolkit for Deep Learning on Graphs in Life Science
• Title（参考訳）: DGL-LifeSci:ライフサイエンスにおけるグラフのディープラーニングのためのオープンソースツールキット
• Authors: Mufei Li, Jinjing Zhou, Jiajing Hu, Wenxuan Fan, Yangkang Zhang, Yaxin Gu, George Karypis
• Abstract要約: DGL-LifeSciは,生命科学におけるグラフの深層学習のためのオープンソースパッケージである。 DGL-LifeSciはRDKit、PyTorch、Deep Graph Libraryをベースにしたピソンツールキットである。 これは、分子特性予測、反応予測、分子生成のためのカスタムデータセットに基づくGNNベースのモデリングを可能にする。
• 参考スコア（独自算出の注目度）: 5.3825788156200565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) constitute a class of deep learning methods for graph data. They have wide applications in chemistry and biology, such as molecular property prediction, reaction prediction and drug-target interaction prediction. Despite the interest, GNN-based modeling is challenging as it requires graph data pre-processing and modeling in addition to programming and deep learning. Here we present DGL-LifeSci, an open-source package for deep learning on graphs in life science. DGL-LifeSci is a python toolkit based on RDKit, PyTorch and Deep Graph Library (DGL). DGL-LifeSci allows GNN-based modeling on custom datasets for molecular property prediction, reaction prediction and molecule generation. With its command-line interfaces, users can perform modeling without any background in programming and deep learning. We test the command-line interfaces using standard benchmarks MoleculeNet, USPTO, and ZINC. Compared with previous implementations, DGL-LifeSci achieves a speed up by up to 6x. For modeling flexibility, DGL-LifeSci provides well-optimized modules for various stages of the modeling pipeline. In addition, DGL-LifeSci provides pre-trained models for reproducing the test experiment results and applying models without training. The code is distributed under an Apache-2.0 License and is freely accessible at https://github.com/awslabs/dgl-lifesci.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフデータのディープラーニング手法のクラスを構成する。 分子特性予測、反応予測、薬物-標的相互作用予測など、化学や生物学に広く応用されている。 興味深いことに、GNNベースのモデリングは、プログラミングとディープラーニングに加えて、グラフデータの事前処理とモデリングを必要とするため、難しい。 本稿では,生命科学におけるグラフの深層学習のためのオープンソースパッケージであるDGL-LifeSciを紹介する。 DGL-LifeSciはRDKit、PyTorch、Deep Graph Library (DGL)をベースにしたピソンツールキットである。 DGL-LifeSciは、分子特性予測、反応予測、分子生成のためのカスタムデータセットでGNNベースのモデリングを可能にする。 コマンドラインインターフェイスを使えば、プログラミングやディープラーニングのバックグラウンドなしにモデリングを実行できる。 標準ベンチマークであるMoeculeNet, USPTO, ZINCを用いて, コマンドラインインタフェースをテストする。 以前の実装と比較して、DGL-LifeSciは最大6倍のスピードを実現している。 モデリングの柔軟性のために、dgl-lifesciはモデリングパイプラインの様々な段階に最適化されたモジュールを提供する。 さらに、DGL-LifeSciは、テスト実験結果を再現し、トレーニングなしでモデルを適用するためのトレーニング済みモデルを提供する。 コードはApache-2.0ライセンスで配布されており、https://github.com/awslabs/dgl-lifesciで自由にアクセスできる。

関連論文リスト

• Continual Learning on Graphs: Challenges, Solutions, and Opportunities [72.7886669278433]
  本稿では,既存の連続グラフ学習(CGL)アルゴリズムの総合的なレビューを行う。 従来の連続学習手法と比較し,従来の連続学習手法の適用性を分析した。 アクセス可能なアルゴリズムの包括的なリストを含む、最新のリポジトリを維持します。
  論文  参考訳（メタデータ） (2024-02-18T12:24:45Z)
• LasTGL: An Industrial Framework for Large-Scale Temporal Graph Learning [61.4707298969173]
  本稿では,共通時間グラフ学習アルゴリズムの統一的および統一的な実装を統合する産業用フレームワークであるLasTGLを紹介する。 LasTGLは、詳細なチュートリアルとともに、包括的な時間グラフデータセット、TGNNモデル、ユーティリティを提供する。
  論文  参考訳（メタデータ） (2023-11-28T08:45:37Z)
• Exploring the Potential of Large Language Models (LLMs) in Learning on Graphs [59.74814230246034]
  大規模言語モデル(LLM)は、広範な共通知識と強力な意味理解能力を持つことが証明されている。 LLMs-as-EnhancersとLLMs-as-Predictorsの2つのパイプラインについて検討する。
  論文  参考訳（メタデータ） (2023-07-07T05:31:31Z)
• MolGraph: a Python package for the implementation of molecular graphs and graph neural networks with TensorFlow and Keras [51.92255321684027]
  MolGraphは、分子機械学習(ML)のためのグラフニューラルネットワーク(GNN)パッケージである MolGraphは、分子ML問題を解決するためにGNNアルゴリズムに渡すことができる小さな分子グラフを生成するための化学モジュールを実装している。 GNNは分子識別に有用であり,クロマトグラフィー保持時間データの解釈性が向上した。
  論文  参考訳（メタデータ） (2022-08-21T18:37:41Z)
• Graph Generative Model for Benchmarking Graph Neural Networks [73.11514658000547]
  本稿では,プライバシ制御により実世界のグラフの分布を学習し,再現する新しいグラフ生成モデルを提案する。 我々のモデルは、GNNモデルのベンチマークに効果的に使用できる大規模な実世界のグラフの、プライバシ制御された合成代用をうまく生成することができる。
  論文  参考訳（メタデータ） (2022-07-10T06:42:02Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• Crystal Twins: Self-supervised Learning for Crystalline Material Property Prediction [8.048439531116367]
  結晶性物質特性予測のためのSSL法であるCrystal Twins(CT)を紹介する。 我々は、拡張インスタンスのグラフ潜在埋め込みに冗長性低減原理を適用して、グラフニューラルネットワーク(GNN)を事前訓練する。 回帰タスクのGNNを微調整する際の事前学習重みの共有により、7つの課題のある材料特性予測ベンチマークの性能を著しく改善する。
  論文  参考訳（メタデータ） (2022-05-04T05:08:46Z)
• Physics-Informed Graph Learning: A Survey [25.474725468416118]
  本稿では,グラフ学習モデルの統一フレームワークを導入し,既存のPIGL手法を統一フレームワークに関して検討する。 本研究は、PIGLに関する革新的な研究・開発活動を促進することが期待されている。
  論文  参考訳（メタデータ） (2022-02-22T05:46:24Z)
• AugLiChem: Data Augmentation Library of Chemical Structures for Machine Learning [12.864696894234715]
  AugLiChemは化学構造のためのデータ拡張ライブラリである。 結晶系と分子の増進法が導入された。 拡張戦略を用いることで,MLモデルの性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2021-11-30T04:07:24Z)
• DistDGL: Distributed Graph Neural Network Training for Billion-Scale Graphs [22.63888380481248]
  DistDGLは、マシンのクラスタ上で、ミニバッチ方式でGNNをトレーニングするシステムである。 これは人気のあるGNN開発フレームワークであるDeep Graph Library(DGL)に基づいている。 この結果から,DistDGLはモデル精度を損なうことなく線形高速化を実現することがわかった。
  論文  参考訳（メタデータ） (2020-10-11T20:22:26Z)

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。