論文の概要: Benchmarking Accuracy and Generalizability of Four Graph Neural Networks
Using Large In Vitro ADME Datasets from Different Chemical Spaces
- arxiv url: http://arxiv.org/abs/2111.13964v1
- Date: Sat, 27 Nov 2021 18:54:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-30 18:34:18.678469
- Title: Benchmarking Accuracy and Generalizability of Four Graph Neural Networks
Using Large In Vitro ADME Datasets from Different Chemical Spaces
- Title（参考訳）: 異なる化学空間からの大規模admeデータセットを用いた4つのグラフニューラルネットワークのベンチマーク精度と一般化性
- Authors: Fabio Broccatelli, Richard Trager, Michael Reutlinger, George Karypis,
Mufei Li
- Abstract要約: グラフ畳み込みネットワーク(GCN)、グラフ注意ネットワーク(GAT)、メッセージパッシングニューラルネットワーク(MPNN)、注意フィンガープリント(AttentiveFP)の4種類について考察する。
すべてのGNNモデルは、指紋のみに基づく従来の低バーベンチマークモデルよりも大幅に優れている。
GATだけが、従来のベンチマークモデルよりも小さいが一貫した改善を提供するようだ。
- 参考スコア（独自算出の注目度）: 6.118940071203314
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we benchmark a variety of single- and multi-task graph neural
network (GNN) models against lower-bar and higher-bar traditional machine
learning approaches employing human engineered molecular features. We consider
four GNN variants -- Graph Convolutional Network (GCN), Graph Attention Network
(GAT), Message Passing Neural Network (MPNN), and Attentive Fingerprint
(AttentiveFP). So far deep learning models have been primarily benchmarked
using lower-bar traditional models solely based on fingerprints, while more
realistic benchmarks employing fingerprints, whole-molecule descriptors and
predictions from other related endpoints (e.g., LogD7.4) appear to be scarce
for industrial ADME datasets. In addition to time-split test sets based on
Genentech data, this study benefits from the availability of measurements from
an external chemical space (Roche data). We identify GAT as a promising
approach to implementing deep learning models. While all GNN models
significantly outperform lower-bar benchmark traditional models solely based on
fingerprints, only GATs seem to offer a small but consistent improvement over
higher-bar benchmark traditional models. Finally, the accuracy of in vitro
assays from different laboratories predicting the same experimental endpoints
appears to be comparable with the accuracy of GAT single-task models,
suggesting that most of the observed error from the models is a function of the
experimental error propagation.
- Abstract（参考訳）: 本研究では,人間工学的分子機能を用いた低バール・高バール機械学習アプローチに対して,多タスクグラフニューラルネットワーク(gnn)モデルをベンチマークした。
グラフ畳み込みネットワーク(gcn)、グラフアテンションネットワーク(gat)、メッセージパッシングニューラルネットワーク(mpnn)、注意指紋(attentivefp)の4つのgnn変種を検討した。
これまでのディープラーニングモデルは、指紋のみに基づくローバーの伝統的なモデルを使用してベンチマークされてきたが、より現実的なベンチマークでは、指紋、全分子記述子、関連するエンドポイント(例えばLogD7.4)からの予測は、工業用ADMEデータセットでは不足しているようである。
Genentechデータに基づく時間分割テストセットに加えて、この研究は、外部化学空間(Rocheデータ)からの測定が利用可能であることの恩恵を受ける。
我々は、GATをディープラーニングモデルの実装における有望なアプローチとみなしている。
すべてのGNNモデルは指紋のみに基づく従来のベンチマークモデルよりも大幅に優れているが、高バーベンチマークのベンチマークモデルよりも小さなが一貫した改善を提供するのはGATのみである。
最後に、同じ実験エンドポイントを予測する異なる実験室のin vitroアッセイの精度は、gatシングルタスクモデルの精度と同等であり、モデルから観測された誤差のほとんどは実験誤差伝播の関数であることを示唆している。
関連論文リスト
- PROXI: Challenging the GNNs for Link Prediction [3.8233569758620063]
本稿では,グラフと属性空間の両方におけるノードペアの近接情報を活用するPROXIを紹介する。
標準機械学習(ML)モデルは競争力があり、最先端のGNNモデルよりも優れています。
ProXIによる従来のGNNの拡張はリンク予測性能を大幅に向上させることを示す。
論文 参考訳（メタデータ） (2024-10-02T17:57:38Z) - Generalization of Graph Neural Networks is Robust to Model Mismatch [84.01980526069075]
グラフニューラルネットワーク(GNN)は、その一般化能力によってサポートされている様々なタスクにおいて、その効果を実証している。
本稿では,多様体モデルから生成される幾何グラフで動作するGNNについて検討する。
本稿では,そのようなモデルミスマッチの存在下でのGNN一般化の堅牢性を明らかにする。
論文 参考訳（メタデータ） (2024-08-25T16:00:44Z) - Variational autoencoder-based neural network model compression [4.992476489874941]
変分オートエンコーダ(VAE)は、深部生成モデルの一種であり、近年広く使われている。
本稿では,VAEに基づくニューラルネットワークモデル圧縮手法について検討する。
論文 参考訳（メタデータ） (2024-08-25T09:06:22Z) - GOODAT: Towards Test-time Graph Out-of-Distribution Detection [103.40396427724667]
グラフニューラルネットワーク(GNN)は、さまざまな領域にわたるグラフデータのモデリングに広く応用されている。
近年の研究では、特定のモデルのトレーニングや、よく訓練されたGNN上でのデータ修正に重点を置いて、OOD検出のグラフを調査している。
本稿では、GNNアーキテクチャのトレーニングデータと修正から独立して動作する、データ中心、教師なし、プラグアンドプレイのソリューションを提案する。
論文 参考訳（メタデータ） (2024-01-10T08:37:39Z) - Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。
これらのグラフモデルと従来の協調フィルタリングモデルを比較する。
ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文 参考訳（メタデータ） (2023-08-01T09:31:44Z) - Characterizing and Understanding the Behavior of Quantized Models for
Reliable Deployment [32.01355605506855]
量子化対応トレーニングは、標準、逆数、ミックスアップトレーニングよりも安定したモデルを生成することができる。
診断は、しばしばトップ1とトップ2の出力確率に近づき、$Margin$は、相違点を区別する他の不確実性指標よりも優れた指標である。
我々は、量子化されたモデルをさらに研究するための新しいベンチマークとして、コードとモデルをオープンソース化した。
論文 参考訳（メタデータ） (2022-04-08T11:19:16Z) - Graph Neural Networks with Parallel Neighborhood Aggregations for Graph
Classification [14.112444998191698]
グラフニューラルネットワーク(GNN)モデルを用いたグラフ分類に着目し、並列に配置された近傍グラフ演算子のバンクを用いてノード特徴をプリ計算する。
これらのGNNモデルには、事前計算によるトレーニングと推論時間の削減という自然な利点がある。
本研究は,様々な実世界のデータセット上で,開発モデルが最先端の性能を達成することを数値実験により実証する。
論文 参考訳（メタデータ） (2021-11-22T19:19:40Z) - NODE-GAM: Neural Generalized Additive Model for Interpretable Deep
Learning [16.15084484295732]
一般化付加モデル(GAM)は、リスクの高いドメインで長い歴史を持つ。
ニューラルGAM(NODE-GAM)とニューラルGA$2$M(NODE-GA$2$M)を提案する。
我々は,提案モデルが他の非解釈モデルと同等の精度で,大規模データセット上での他のGAMよりも優れていることを示す。
論文 参考訳（メタデータ） (2021-06-03T06:20:18Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳（メタデータ） (2021-04-11T12:14:04Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳（メタデータ） (2020-12-17T15:19:29Z) - Combining Label Propagation and Simple Models Out-performs Graph Neural
Networks [52.121819834353865]
多くの標準的なトランスダクティブノード分類ベンチマークでは、最先端のGNNの性能を超えたり、一致させることができる。
これをC&S(Correct and Smooth)と呼ぶ。
我々のアプローチは、様々なベンチマークで最先端のGNNの性能を上回るか、ほぼ一致している。
論文 参考訳（メタデータ） (2020-10-27T02:10:52Z)
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。