Fugu-MT 論文翻訳(概要): Hashing based Contrastive Learning for Virtual Screening

論文の概要: Hashing based Contrastive Learning for Virtual Screening

arxiv url: http://arxiv.org/abs/2407.19790v1
Date: Mon, 29 Jul 2024 08:33:49 GMT
ステータス: 処理完了
システム内更新日: 2024-07-30 14:35:40.331753
Title: Hashing based Contrastive Learning for Virtual Screening
Title（参考訳）: ハッシュに基づく仮想スクリーニングのためのコントラスト学習
Authors: Jin Han, Yun Hong, Wu-Jun Li,
Abstract要約: 仮想スクリーニング(VS)のためのハッシュベースのコントラスト学習手法であるDarmHashを提案する。 DrugHashは、VSを検索に効率的なバイナリハッシュコードを使用する検索タスクとして扱う。実験結果から、DragonHashは最先端の精度を達成するために既存の手法より優れていることが示された。
参考スコア（独自算出の注目度）: 17.21872872618248
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Virtual screening (VS) is a critical step in computer-aided drug discovery, aiming to identify molecules that bind to a specific target receptor like protein. Traditional VS methods, such as docking, are often too time-consuming for screening large-scale molecular databases. Recent advances in deep learning have demonstrated that learning vector representations for both proteins and molecules using contrastive learning can outperform traditional docking methods. However, given that target databases often contain billions of molecules, real-valued vector representations adopted by existing methods can still incur significant memory and time costs in VS. To address this problem, in this paper we propose a hashing-based contrastive learning method, called DrugHash, for VS. DrugHash treats VS as a retrieval task that uses efficient binary hash codes for retrieval. In particular, DrugHash designs a simple yet effective hashing strategy to enable end-to-end learning of binary hash codes for both protein and molecule modalities, which can dramatically reduce the memory and time costs with higher accuracy compared with existing methods. Experimental results show that DrugHash can outperform existing methods to achieve state-of-the-art accuracy, with a memory saving of 32$\times$ and a speed improvement of 3.5$\times$.
Abstract（参考訳）: 仮想スクリーニング(VS)は、タンパク質のような特定の標的受容体に結合する分子を同定することを目的として、コンピュータ支援薬の発見において重要なステップである。ドッキングのような従来のVSメソッドは、しばしば大規模な分子データベースのスクリーニングに時間がかかりすぎる。深層学習の最近の進歩は、対照的な学習を用いたタンパク質と分子の学習ベクトル表現が従来のドッキング法より優れていることを示した。しかし,対象データベースには数十億の分子が含まれていることを考えると,既存の手法で採用されている実数値ベクトル表現は,VSにおいて依然としてかなりのメモリと時間コストを発生させる可能性がある。特に、DarmHashは、タンパク質と分子のモダリティの両方のバイナリハッシュコードのエンドツーエンド学習を可能にするシンプルな効果的なハッシュ戦略を設計し、既存の方法と比較してメモリと時間コストを劇的に削減できる。実験結果から、DragonHashは、32$\times$のメモリ節約と3.5$\times$のスピード改善により、最先端の精度を達成するために既存の手法よりも優れていることが示された。

関連論文リスト

Bit-mask Robust Contrastive Knowledge Distillation for Unsupervised Semantic Hashing [71.47723696190184]
セマンティックハッシュのための革新的なBit-mask Robust Contrastive Knowledge Distillation (BRCD)法を提案する。 BRCDはセマンティックハッシュモデルの蒸留のために特別に考案されている。
論文参考訳（メタデータ） (2024-03-10T03:33:59Z)
DrugCLIP: Contrastive Protein-Molecule Representation Learning for Virtual Screening [16.31607535765497]
DrugCLIPは、仮想スクリーニングのための新しい対照的な学習フレームワークである。明示的な結合親和性スコアなしで、大量のペアデータから結合タンパク質ポケットと分子の表現を調整できる。様々な仮想スクリーニングベンチマークにおいて、従来のドッキングや教師あり学習方法よりも大幅に優れています。
論文参考訳（メタデータ） (2023-10-10T07:08:35Z)
A Lower Bound of Hash Codes' Performance [122.88252443695492]
本稿では,ハッシュ符号間のクラス間の差分性とクラス内圧縮性が,ハッシュ符号の性能の低い境界を決定することを証明する。次に、ハッシュコードの後部を推定し、それを制御することにより、上記の目的を完全に活用する代理モデルを提案し、低バイアス最適化を実現する。一連のハッシュモデルをテストすることで、平均精度が最大で26.5%、精度が最大で20.5%向上した。
論文参考訳（メタデータ） (2022-10-12T03:30:56Z)
Self-Distilled Hashing for Deep Image Retrieval [25.645550298697938]
ハッシュベースの画像検索システムでは、元の入力から変換された入力は通常、異なるコードを生成する。本稿では,拡張データの可能性を活用しつつ,相違を最小限に抑えるために,自己蒸留ハッシュ方式を提案する。また、ハッシュプロキシに基づく類似性学習や、バイナリクロスエントロピーに基づく量子化損失を導入し、高品質なハッシュコードを提供する。
論文参考訳（メタデータ） (2021-12-16T12:01:50Z)
One Loss for All: Deep Hashing with a Single Cosine Similarity based Learning Objective [86.48094395282546]
ディープハッシュモデルは通常、学習されたバイナリハッシュコードの識別と量子化エラーの最小化という2つの学習目標を持つ。本稿では,1つの学習目的しか持たない新しい深層ハッシュモデルを提案する。我々のモデルは,3つの大規模インスタンス検索ベンチマークにおいて,最先端のマルチロスハッシュモデルより優れている。
論文参考訳（メタデータ） (2021-09-29T14:27:51Z)
MOON: Multi-Hash Codes Joint Learning for Cross-Media Retrieval [30.77157852327981]
クロスメディアハッシュ技術は高い計算効率と低ストレージコストで注目を集めている。クロスメディア検索のための新しいMultiple hash cOdes jOint learNing法(MOON)を開発した。
論文参考訳（メタデータ） (2021-08-17T14:47:47Z)
CIMON: Towards High-quality Hash Codes [63.37321228830102]
我々はtextbfComprehensive stextbfImilarity textbfMining と ctextbfOnsistency leartextbfNing (CIMON) という新しい手法を提案する。まず、グローバルな洗練と類似度統計分布を用いて、信頼性とスムーズなガイダンスを得る。第二に、意味的整合性学習とコントラスト的整合性学習の両方を導入して、乱不変と差別的ハッシュコードの両方を導出する。
論文参考訳（メタデータ） (2020-10-15T14:47:14Z)
Procrustean Orthogonal Sparse Hashing [3.302605292858623]
昆虫の嗅覚は, スパースハッシュと構造的に, 機能的に類似していることが示されている。本稿ではこれらの知見を統一する新しい方法であるPOSH(Procrustean Orthogonal Sparse Hashing)を提案する。本稿では,これらの欠陥に対処する2つの新しい手法,Binary OSLとSphericalHashを提案する。
論文参考訳（メタデータ） (2020-06-08T18:09:33Z)
Targeted Attack for Deep Hashing based Retrieval [57.582221494035856]
本研究では, ディープ・ハッシュ・ターゲット・アタック (DHTA) と呼ばれる新たな手法を提案し, 対象とする攻撃を探索する。まず、対象の攻撃を点対セットの最適化として定式化し、敵のサンプルのハッシュコードと対象のラベルを持つ対象の集合の平均距離を最小化する。性能と知覚性のバランスをとるために,摂動に対する$ellinfty$制限の下で,逆例のハッシュコードとアンカーコードとのハミング距離を最小化することを提案する。
論文参考訳（メタデータ） (2020-04-15T08:36:58Z)
A Survey on Deep Hashing Methods [52.326472103233854]
最寄りの検索は、データベースからクエリまでの距離が最小のサンプルを取得することを目的としている。ディープラーニングの発展により、ディープハッシュ法は従来の方法よりも多くの利点を示す。深い教師付きハッシュは、ペアワイズ法、ランキングベースの方法、ポイントワイズ法、量子化に分類される。深い教師なしハッシュは、類似性再構築に基づく方法、擬似ラベルに基づく方法、予測自由な自己教師あり学習に基づく方法に分類される。
論文参考訳（メタデータ） (2020-03-04T08:25:15Z)
Image Hashing by Minimizing Discrete Component-wise Wasserstein Distance [12.968141477410597]
競合するオートエンコーダは、バランスよく高品質なハッシュコードを生成する堅牢で局所性を保存するハッシュ関数を暗黙的に学習できることが示されている。既存の逆ハッシュ法は、大規模な画像検索に非効率である。本稿では,サンプル要求と計算コストを大幅に低減した,新しい対向型オートエンコーダハッシュ手法を提案する。
論文参考訳（メタデータ） (2020-02-29T00:22:53Z)

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。