論文の概要: An Inverse QSAR Method Based on Linear Regression and Integer Programming

• arxiv url: http://arxiv.org/abs/2107.02381v1
• Date: Tue, 6 Jul 2021 04:37:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-08 00:44:26.366097
• Title: An Inverse QSAR Method Based on Linear Regression and Integer Programming
• Title（参考訳）: 線形回帰と整数計画に基づく逆QSAR法
• Authors: Jianshen Zhu, Naveed Ahmed Azam, Kazuya Haraguchi, Liang Zhao, Hiroshi Nagamochi and Tatsuya Akutsu
• Abstract要約: 人工ニューラルネットワーク(ANN)と混合整数線形計画(MILP)の両方を用いて化合物の分子構造を設計するための枠組みを提案する。 本稿では,線形回帰を用いて予測関数をANNの代わりに$eta$で構築する。 計算実験の結果, 約50個の非水素原子を持つ化学グラフを推定できることが示唆された。
• 参考スコア（独自算出の注目度）: 6.519339570726759
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently a novel framework has been proposed for designing the molecular structure of chemical compounds using both artificial neural networks (ANNs) and mixed integer linear programming (MILP). In the framework, we first define a feature vector $f(C)$ of a chemical graph $C$ and construct an ANN that maps $x=f(C)$ to a predicted value $\eta(x)$ of a chemical property $\pi$ to $C$. After this, we formulate an MILP that simulates the computation process of $f(C)$ from $C$ and that of $\eta(x)$ from $x$. Given a target value $y^*$ of the chemical property $\pi$, we infer a chemical graph $C^\dagger$ such that $\eta(f(C^\dagger))=y^*$ by solving the MILP. In this paper, we use linear regression to construct a prediction function $\eta$ instead of ANNs. For this, we derive an MILP formulation that simulates the computation process of a prediction function by linear regression. The results of computational experiments suggest our method can infer chemical graphs with around up to 50 non-hydrogen atoms.
• Abstract（参考訳）: 近年, ニューラルネットワーク(ANN)と混合整数線形計画(MILP)の両方を用いて, 化合物の分子構造を設計するための新しい枠組みが提案されている。 このフレームワークでは、まず化学グラフ $c$ の特徴ベクトル $f(c)$ を定義し、$x=f(c)$ を予測値 $\eta(x)$ の化学プロパティ $\pi$ から $c$ に写す ann を構築する。 その後、$c$から$f(c)$、$x$から$\eta(x)$の計算プロセスをシミュレートするmilpを定式化する。 化学特性 $\pi$ の目標値 $y^*$ が与えられると、milp を解くことで $\eta(f(c^\dagger))=y^*$ となる化学グラフ $c^\dagger$ を推測する。 本稿では,線形回帰を用いてANNの代わりに予測関数$\eta$を構築する。 そこで我々は,線形回帰による予測関数の計算過程をシミュレートするMILP式を導出した。 計算実験の結果,50個の非水素原子の化学グラフを推定できることが示唆された。

関連論文リスト

• Neural network learns low-dimensional polynomials with SGD near the information-theoretic limit [75.4661041626338]
  単一インデックス対象関数 $f_*(boldsymbolx) = textstylesigma_*left(langleboldsymbolx,boldsymbolthetarangleright)$ の等方的ガウスデータの下で勾配降下学習の問題を考察する。 SGDアルゴリズムで最適化された2層ニューラルネットワークは、サンプル付き任意のリンク関数の$f_*$を学習し、実行時の複雑さは$n asymp T asymp C(q) cdot dであることを示す。
  論文  参考訳（メタデータ） (2024-06-03T17:56:58Z)
• Transformer In-Context Learning for Categorical Data [51.23121284812406]
  我々は、分類結果、非線形基礎モデル、非線形注意を考慮し、文脈内学習のレンズを通してトランスフォーマーを理解する研究を機能データで拡張する。 我々は、ImageNetデータセットを用いて、この数発の学習方法論の最初の実世界の実演であると考えられるものを提示する。
  論文  参考訳（メタデータ） (2024-05-27T15:03:21Z)
• Emulating the interstellar medium chemistry with neural operators [0.0]
  銀河の形成と進化は、星間物質(ISM)の進化と熱力学を管理する複雑な光化学過程の理解に依存している 本稿では,ニューラル演算子に基づく高速で訓練済みのエミュレータを用いた手続き型解決器の置換を目指す。 我々は、DeepONet形式を採用することにより、H$(9種、52反応)までの非平衡化学ネットワークをエミュレートする。 単一ゾーンモデルに対して$textttKROME$で得られる参照解と比較すると、得られた典型的な精度は10-2$である。
  論文  参考訳（メタデータ） (2024-02-19T19:00:01Z)
• Molecular Design Based on Integer Programming and Splitting Data Sets by Hyperplanes [6.504869613326338]
  化学物質の分子構造を所望の化学的性質で設計するための枠組みを提案する。 提案フレームワークは,混合整数線形プログラム (MILP) と機械学習によって構築された予測関数を解くことで,所望の化学グラフを推定する。 計算実験の結果,提案手法は,優れた予測関数の構築が困難であったいくつかの化学特性の学習性能を向上させることが示唆された。
  論文  参考訳（メタデータ） (2023-04-27T04:18:41Z)
• An Over-parameterized Exponential Regression [18.57735939471469]
  LLM(Large Language Models)の分野での最近の発展は、指数的アクティベーション関数の使用への関心を喚起している。 ニューラル関数 $F: mathbbRd times m times mathbbRd times mathbbRd times mathbbRd times mathbbRd times mathbbRd times mathbbRd times mathbbRd times mathbbRdd
  論文  参考訳（メタデータ） (2023-03-29T07:29:07Z)
• Learning a Single Neuron with Adversarial Label Noise via Gradient Descent [50.659479930171585]
  モノトン活性化に対する $mathbfxmapstosigma(mathbfwcdotmathbfx)$ の関数について検討する。 学習者の目標は仮説ベクトル $mathbfw$ that $F(mathbbw)=C, epsilon$ を高い確率で出力することである。
  論文  参考訳（メタデータ） (2022-06-17T17:55:43Z)
• High-dimensional Asymptotics of Feature Learning: How One Gradient Step Improves the Representation [89.21686761957383]
  2層ネットワークにおける第1層パラメータ $boldsymbolW$ の勾配降下ステップについて検討した。 我々の結果は、一つのステップでもランダムな特徴に対してかなりの優位性が得られることを示した。
  論文  参考訳（メタデータ） (2022-05-03T12:09:59Z)
• Reward-Free Model-Based Reinforcement Learning with Linear Function Approximation [92.99933928528797]
  エピソードマルコフ決定過程(MDP)に対する線形関数近似を用いたモデルに基づく無報酬強化学習について検討する。 計画段階では、特定の報酬関数が与えられ、探索フェーズから収集したサンプルを使用して良い政策を学ぶ。 任意の報酬関数に対して$epsilon$-optimal Policyを得るには,最大$tilde O(H4d(H + d)epsilon-2)$ episodesをサンプリングする必要がある。
  論文  参考訳（メタデータ） (2021-10-12T23:03:58Z)
• Optimal Spectral Recovery of a Planted Vector in a Subspace [80.02218763267992]
  我々は、$ell_4$ノルムが同じ$ell$ノルムを持つガウスベクトルと異なるプラントベクトル$v$の効率的な推定と検出について研究する。 規則$n rho gg sqrtN$ では、大クラスのスペクトル法(そしてより一般的には、入力の低次法)は、植込みベクトルの検出に失敗する。
  論文  参考訳（メタデータ） (2021-05-31T16:10:49Z)
• Learning to extrapolate using continued fractions: Predicting the critical temperature of superconductor materials [5.905364646955811]
  人工知能(AI)と機械学習(ML)の分野では、未知のターゲット関数 $y=f(mathbfx)$ の近似が共通の目的である。 トレーニングセットとして$S$を参照し、新しいインスタンス$mathbfx$に対して、このターゲット関数を効果的に近似できる低複雑さの数学的モデルを特定することを目的としている。
  論文  参考訳（メタデータ） (2020-11-27T04:57:40Z)
• Variational Orthogonal Features [29.636483122130027]
  我々は,ある先行して,エビデンスローバウンド(ELBO)のミニバッチ推定を$mathcalO(M3)$コストで計算する機能を定義できることを示す。 我々は,不偏推定器をELBOに,$mathcalO(tildeNT+M2T)$および$mathcalO(tildeNT+MT)$で$T$ Monte Carloサンプルを用いて計算できる固定前カーネルの構成について述べる。
  論文  参考訳（メタデータ） (2020-06-23T17:18:07Z)

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。