論文の概要: GENEOnet: A new machine learning paradigm based on Group Equivariant Non-Expansive Operators. An application to protein pocket detection

• arxiv url: http://arxiv.org/abs/2202.00451v1
• Date: Mon, 31 Jan 2022 11:14:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-03 07:46:20.461532
• Title: GENEOnet: A new machine learning paradigm based on Group Equivariant Non-Expansive Operators. An application to protein pocket detection
• Title（参考訳）: GENEOnet: Group Equivariant Non-Expansive Operatorsに基づいた新しい機械学習パラダイム。 タンパク質ポケット検出への応用
• Authors: Giovanni Bocchi, Patrizio Frosini, Alessandra Micheletti, Alessandro Pedretti, Carmen Gratteri, Filippo Lunghini, Andrea Rosario Beccari, Carmine Talarico
• Abstract要約: グループ同変非拡張演算子に基づく新しい計算パラダイムを導入する。 我々は、薬物設計における重要な問題として、ホスト可能なタンパク質の表面のポケットを検出する、GENEOnetと呼ばれる方法を試した。
• 参考スコア（独自算出の注目度）: 97.5153823429076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nowadays there is a big spotlight cast on the development of techniques of explainable machine learning. Here we introduce a new computational paradigm based on Group Equivariant Non-Expansive Operators, that can be regarded as the product of a rising mathematical theory of information-processing observers. This approach, that can be adjusted to different situations, may have many advantages over other common tools, like Neural Networks, such as: knowledge injection and information engineering, selection of relevant features, small number of parameters and higher transparency. We chose to test our method, called GENEOnet, on a key problem in drug design: detecting pockets on the surface of proteins that can host ligands. Experimental results confirmed that our method works well even with a quite small training set, providing thus a great computational advantage, while the final comparison with other state-of-the-art methods shows that GENEOnet provides better or comparable results in terms of accuracy.
• Abstract（参考訳）: 今日では、説明可能な機械学習技術の開発に注目が集まっている。 ここでは,情報処理オブザーバの増大する数学的理論の産物とみなすことができる群同変非拡張演算子に基づく新しい計算パラダイムを紹介する。 このアプローチは、異なる状況に適応できるため、知識注入や情報工学、関連する機能の選択、少数のパラメータ、より高い透明性など、ニューラルネットワークのような他の一般的なツールよりも多くのメリットがある可能性がある。 我々は、リガンドをホストできるタンパク質の表面のポケットを検出するという、薬物設計の重要な問題に対して、私たちの方法、GENEOnetを試すことを選択しました。 実験結果から,本手法は比較的小さなトレーニングセットでも有効であることが確認された。また,他の最先端手法と比較した結果,GENEOnetの精度は良好か同等であることがわかった。

関連論文リスト

• A novel approach to graph distinction through GENEOs and permutants [0.0]
  本稿では、同型への$r$正則グラフの識別にGENEOsを用いる方法について検討する。 実験の結果, GENEOsは$r$規則グラフの比較において, 効率と計算コストとの間に良い妥協をもたらすことがわかった。 genEOsは機械学習における差別的問題に対する汎用的なアプローチである。
  論文  参考訳（メタデータ） (2024-06-12T09:53:14Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Using Genetic Programming to Predict and Optimize Protein Function [65.25258357832584]
  我々は,進化的手法に基づく遺伝的プログラミングツールPOETを提案し,方向性進化におけるスクリーニングと変異原性を高める。 概念実証として, 化学交換飽和移動機構によって検出されたMRIコントラストを生成するペプチドを用いる。 以上の結果から,POETのような計算モデリングツールは,従来よりも400%優れた機能性を持つペプチドを見つけるのに有効であることが示唆された。
  論文  参考訳（メタデータ） (2022-02-08T18:08:08Z)
• Group invariant machine learning by fundamental domain projections [0.5156484100374058]
  我々は幾何学的トポロジーの観点から、教師付き群不変および同変機械学習のよく研究された問題にアプローチする。 本稿では,入力データを幾何学的空間に投影する前処理ステップを用いた新しい手法を提案する。 この新しいデータは任意の機械学習モデルの入力になる。
  論文  参考訳（メタデータ） (2022-02-04T14:45:57Z)
• Combinatorial optimization and reasoning with graph neural networks [7.8107109904672365]
  コンビナート最適化は、オペレーション研究とコンピュータサイエンスにおいて確立された領域です。 近年、機械学習、特にグラフニューラルネットワーク(GNN)をタスクの重要なビルディングブロックとして使用することへの関心が高まっています。
  論文  参考訳（メタデータ） (2021-02-18T18:47:20Z)
• Learning outside the Black-Box: The pursuit of interpretable models [78.32475359554395]
  本稿では,任意の連続ブラックボックス関数の連続的大域的解釈を生成するアルゴリズムを提案する。 我々の解釈は、その芸術の以前の状態から飛躍的な進歩を表している。
  論文  参考訳（メタデータ） (2020-11-17T12:39:44Z)
• Malicious Network Traffic Detection via Deep Learning: An Information Theoretic View [0.0]
  本研究では,ホメオモルフィズムがマルウェアのトラフィックデータセットの学習表現に与える影響について検討する。 この結果から,学習された表現の詳細と,すべてのパラメータの多様体上で定義された特定の座標系は,関数近似とは全く異なることが示唆された。
  論文  参考訳（メタデータ） (2020-09-16T15:37:44Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)
• Stochastic Flows and Geometric Optimization on the Orthogonal Group [52.50121190744979]
  直交群 $O(d)$ 上の幾何駆動最適化アルゴリズムの新しいクラスを示す。 提案手法は,深層,畳み込み,反復的なニューラルネットワーク,強化学習,フロー,メトリック学習など,機械学習のさまざまな分野に適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-03-30T15:37:50Z)

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。