Fugu-MT 論文翻訳(概要): Multi-task Joint Strategies of Self-supervised Representation Learning on Biomedical Networks for Drug Discovery

論文の概要: Multi-task Joint Strategies of Self-supervised Representation Learning on Biomedical Networks for Drug Discovery

arxiv url: http://arxiv.org/abs/2201.04437v1
Date: Wed, 12 Jan 2022 12:25:02 GMT
ステータス: 処理完了
システム内更新日: 2022-01-13 18:40:32.280871
Title: Multi-task Joint Strategies of Self-supervised Representation Learning on Biomedical Networks for Drug Discovery
Title（参考訳）: 創薬のためのバイオメディカルネットワークを用いた自己教師あり表現学習のマルチタスク共同戦略
Authors: Xiaoqi Wang, Yingjie Cheng, Yaning Yang, Fei Li, Shaoliang Peng
Abstract要約: バイオメディカルネットワーク上での自己指導型表現学習は、薬物発見の新しい機会を提供する。我々はMSSL2drugという名の医薬品発見のためのバイオメディカルネットワーク上での自己指導型表現学習のためのマルチタスク共同戦略を提案する。
参考スコア（独自算出の注目度）: 14.468089220380888
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Self-supervised representation learning (SSL) on biomedical networks provides new opportunities for drug discovery which is lack of available biological or clinic phenotype. However, how to effectively combine multiple SSL models is challenging and rarely explored. Therefore, we propose multi-task joint strategies of self-supervised representation learning on biomedical networks for drug discovery, named MSSL2drug. We design six basic SSL tasks that are inspired by various modality features including structures, semantics, and attributes in biomedical heterogeneous networks. In addition, fifteen combinations of multiple tasks are evaluated by a graph attention-based adversarial multi-task learning framework in two drug discovery scenarios. The results suggest two important findings. (1) The combinations of multimodal tasks achieve the best performance compared to other multi-task joint strategies. (2) The joint training of local and global SSL tasks yields higher performance than random task combinations. Therefore, we conjecture that the multimodal and local-global combination strategies can be regarded as a guideline for multi-task SSL to drug discovery.
Abstract（参考訳）: バイオメディカルネットワーク上での自己監督型表現学習(SSL)は、生物学的または臨床表現型が欠如している薬物発見の新しい機会を提供する。しかし、複数のSSLモデルを効果的に組み合わせるのは難しい。そこで,我々はmssl2drugという薬物発見のための生物医学ネットワーク上での自己教師付き表現学習のマルチタスク共同戦略を提案する。バイオメディカルな異種ネットワークにおける構造,意味,属性など,さまざまなモダリティ機能にインスパイアされた6つの基本的なSSLタスクを設計する。さらに,2つの創薬シナリオにおいて,グラフ注目に基づく対向型マルチタスク学習フレームワークを用いて,複数のタスクの15の組合せを評価する。結果は2つの重要な発見を示唆している。 1)マルチモーダルタスクの組み合わせは他のマルチタスクジョイント戦略と比較して最高のパフォーマンスを達成する。 2) ローカルおよびグローバルSSLタスクの協調トレーニングにより,ランダムタスクの組み合わせよりも高い性能が得られる。したがって、マルチモーダル・ローカル・グローバルの組み合わせ戦略は、薬物発見のためのマルチタスクSSLのガイドラインとみなすことができる。

関連論文リスト

From Complexity to Parsimony: Integrating Latent Class Analysis to Uncover Multimodal Learning Patterns in Collaborative Learning [0.0]
本研究では,Multimodal Learning Analytics(MMLA)に潜在クラス分析(LCA)を統合する新しい手法を提案する。 LCAは、協調コミュニケーション(Collaborative Communication)、身体的コラボレーション(Embodied Collaboration)、遠隔インタラクション(Distant Interaction)、孤独エンゲージメント(Solitary Engagement)の4つの異なるクラスを特定した。疫学ネットワーク分析は、これらのマルチモーダル指標を元のモノモーダル指標と比較し、マルチモーダルアプローチがより相似であることを発見した。
論文参考訳（メタデータ） (2024-11-23T15:36:35Z)
FlexCare: Leveraging Cross-Task Synergy for Flexible Multimodal Healthcare Prediction [34.732561455987145]
我々は、不完全なマルチモーダル入力に柔軟に対応するために、textbfFlexCareという統合医療予測モデルを提案する。タスクに依存しないマルチモーダル情報抽出モジュールを提示し、多様なモダリティ内およびモダリティ間パターンの非相関表現をキャプチャする。 MIMIC-IV/MIMIC-CXR/MIMIC-NOTEデータセットによる複数のタスクの実験結果から,提案手法の有効性が示された。
論文参考訳（メタデータ） (2024-06-17T12:03:10Z)
Sample Efficient Myopic Exploration Through Multitask Reinforcement Learning with Diverse Tasks [53.44714413181162]
本稿では, エージェントが十分に多様なタスクセットで訓練された場合, 筋電図探索設計による一般的なポリシー共有アルゴリズムは, サンプル効率がよいことを示す。我々の知る限りでは、これはMTRLの「探索的利益」の初めての理論的実証である。
論文参考訳（メタデータ） (2024-03-03T22:57:44Z)
YOLO-MED : Multi-Task Interaction Network for Biomedical Images [18.535117490442953]
YOLO-Medは、オブジェクト検出とセマンティックセグメンテーションを同時に行うことができる効率的なエンドツーエンドマルチタスクネットワークである。 Kvasir-segデータセットとプライベートバイオメディカルイメージデータセットで評価すると,精度と速度のバランスが期待できる結果が得られた。
論文参考訳（メタデータ） (2024-03-01T03:20:42Z)
Provable Benefits of Multi-task RL under Non-Markovian Decision Making Processes [56.714690083118406]
マルコフ決定過程 (MDP) 下でのマルチタスク強化学習 (RL) において, 共有潜在構造の存在は, シングルタスクRLと比較して, サンプル効率に有意な利益をもたらすことが示されている。このような利点が、部分的に観測可能なMDP(POMDP)やより一般的な予測状態表現(PSR)といった、より一般的なシーケンシャルな意思決定問題にまで拡張できるかどうかを検討する。提案手法は,全てのPSRに対してほぼ最適ポリシーを求めるための,証明可能なアルゴリズム UMT-PSR を提案し,PSR の合同モデルクラスが有するマルチタスク学習の利点が示されることを示す。
論文参考訳（メタデータ） (2023-10-20T14:50:28Z)
Pre-training Multi-task Contrastive Learning Models for Scientific Literature Understanding [52.723297744257536]
事前学習言語モデル(LM)は、科学文献理解タスクにおいて有効であることを示す。文献理解タスク間の共通知識共有を容易にするために,マルチタスクのコントラスト学習フレームワークであるSciMultを提案する。
論文参考訳（メタデータ） (2023-05-23T16:47:22Z)
LDSA: Learning Dynamic Subtask Assignment in Cooperative Multi-Agent Reinforcement Learning [122.47938710284784]
協調型MARLにおける動的サブタスク代入(LDSA)を学習するための新しいフレームワークを提案する。エージェントを異なるサブタスクに合理的に割り当てるために,能力に基づくサブタスク選択戦略を提案する。 LDSAは、より優れたコラボレーションのために、合理的で効果的なサブタスクの割り当てを学習していることを示す。
論文参考訳（メタデータ） (2022-05-05T10:46:16Z)
A Multi-modal Fusion Framework Based on Multi-task Correlation Learning for Cancer Prognosis Prediction [8.476394437053477]
生存分析とがん分類のためのマルチタスク相関学習(MultiCoFusion)に基づくマルチモーダル融合フレームワークを提案する。 The Cancer Genome Atlas (TCGA) のグリオーマデータセットを用いて我々の枠組みを体系的に評価した。
論文参考訳（メタデータ） (2022-01-22T15:16:24Z)
Multi-Task Learning with Sequence-Conditioned Transporter Networks [67.57293592529517]
シーケンスコンディショニングと重み付きサンプリングのレンズによるマルチタスク学習の実現を目指している。合成タスクを対象とした新しいベンチマークであるMultiRavensを提案する。次に,視覚に基づくエンドツーエンドシステムアーキテクチャであるSequence-Conditioned Transporter Networksを提案する。
論文参考訳（メタデータ） (2021-09-15T21:19:11Z)
Heterogeneous Multi-task Learning with Expert Diversity [15.714385295889944]
そこで我々は,高度不均衡で異種なMTL学習に適した表現を,専門家の間でより多様な表現を導き出すアプローチを提案する。我々は,集中治療のための医療情報マート (MIMIC-III) と PubChem Bio Assay (PCBA) の3つのMTLベンチマークデータセットに対して,本手法の有効性を検証した。
論文参考訳（メタデータ） (2021-06-20T01:30:37Z)
Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
本稿では,不対向画像分割のための新しい学習手法を提案する。提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
論文参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。