Fugu-MT 論文翻訳(概要): A simple DNN regression for the chemical composition in essential oil

論文の概要: A simple DNN regression for the chemical composition in essential oil

arxiv url: http://arxiv.org/abs/2412.12936v1
Date: Tue, 17 Dec 2024 14:15:30 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-18 13:57:48.408160
Title: A simple DNN regression for the chemical composition in essential oil
Title（参考訳）: 精油中の化学組成に対する単純DNN回帰
Authors: Yuki Harada, Shuichi Maeda, Masato Kiyama, Shinichiro Nakamura,
Abstract要約: そこで本研究では, 化学組成に基づくDNNレジストレータを3つ構成し, 精油特性の予測を行った。データセットのサイズが小さいため過度に適合しているにもかかわらず、この研究ではすべてのモデルが効果的に訓練された。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Although experimental design and methodological surveys for mono-molecular activity/property has been extensively investigated, those for chemical composition have received little attention, with the exception of a few prior studies. In this study, we configured three simple DNN regressors to predict essential oil property based on chemical composition. Despite showing overfitting due to the small size of dataset, all models were trained effectively in this study.
Abstract（参考訳）: 単分子活性・不純物に関する実験的設計と方法論的な調査は広く研究されているが、化学組成についてはいくつかの先行研究を除いてほとんど注目されていない。そこで本研究では, 化学組成に基づくDNNレジストレータを3つ構成し, 精油特性の予測を行った。データセットのサイズが小さいため、過度に適合しているにもかかわらず、この研究では、すべてのモデルが効果的にトレーニングされた。

関連論文リスト

Improving Molecular Modeling with Geometric GNNs: an Empirical Study [56.52346265722167]
本稿では,異なる標準化手法,(2)グラフ作成戦略,(3)補助的なタスクが性能,拡張性,対称性の強制に与える影響に焦点をあてる。本研究の目的は,分子モデリングタスクに最適なモデリングコンポーネントの選択を研究者に案内することである。
論文参考訳（メタデータ） (2024-07-11T09:04:12Z)
A Gaussian Process Model for Ordinal Data with Applications to Chemoinformatics [0.0]
化学実験の結果を予測するための条件付きガウス過程モデルを提案する。我々のモデルの新しい側面は、核がスケーリングパラメータを含み、化学空間の要素間の相関の強さを制御することである。本稿では,化学発見の容易化と化合物の有効性に対する重要な特徴の同定のための遺伝的アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-05-16T11:18:32Z)
Towards out-of-distribution generalizable predictions of chemical kinetics properties [61.15970601264632]
Out-Of-Distribution (OOD) の運動特性予測は一般化可能である必要がある。本稿では,OODの運動特性予測を3つのレベル(構造,条件,機構)に分類する。我々は、OOD設定における反応予測のための最先端MLアプローチと、速度論的特性予測問題における最先端グラフOOD手法をベンチマークするために、包括的なデータセットを作成する。
論文参考訳（メタデータ） (2023-10-04T20:36:41Z)
Learning Over Molecular Conformer Ensembles: Datasets and Benchmarks [44.934084652800976]
コンフォーマーアンサンブルを用いた学習の可能性を徹底的に評価するための,最初のMoleculAR Conformer Ensemble Learningベンチマークを導入する。その結果,コンバータ空間からの直接学習は,様々なタスクやモデルの性能を向上させることができることがわかった。
論文参考訳（メタデータ） (2023-09-29T20:06:46Z)
A Systematic Survey of Chemical Pre-trained Models [38.57023440288189]
ディープニューラルネットワーク(DNN)をスクラッチからトレーニングするには、しばしば大量のラベル付き分子を必要とする。この問題を緩和するため、分子事前学習モデル(CPM)に多大な努力が注がれている。 CPMは、大規模未ラベルの分子データベースを使用して事前訓練され、特定の下流タスクに対して微調整される。
論文参考訳（メタデータ） (2022-10-29T03:53:11Z)
Improving Molecular Pretraining with Complementary Featurizations [20.86159731100242]
分子プレトレーニング(英: molecular pretraining)は、計算化学と薬物発見における様々な課題を解決するためのパラダイムである。化学情報を異なる方法で伝達できることが示される。我々は, 簡易で効果的な分子事前学習フレームワーク(MOCO)を提案する。
論文参考訳（メタデータ） (2022-09-29T21:11:09Z)
MetaRF: Differentiable Random Forest for Reaction Yield Prediction with a Few Trails [58.47364143304643]
本稿では,反応収率予測問題に焦点をあてる。筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
論文参考訳（メタデータ） (2022-08-22T06:40:13Z)
Graph-based Molecular Representation Learning [59.06193431883431]
分子表現学習(MRL)は、機械学習と化学科学を結びつけるための重要なステップである。近年、MRLは、特に深層分子グラフ学習に基づく手法において、かなりの進歩を遂げている。
論文参考訳（メタデータ） (2022-07-08T17:43:20Z)
Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
論文参考訳（メタデータ） (2022-02-13T04:56:18Z)
Semi-Supervised GCN for learning Molecular Structure-Activity Relationships [4.468952886990851]
そこで本稿では,半教師付き学習を用いたグラフ-グラフ間ニューラルネットワークの学習手法を提案する。最終目標として、我々のアプローチは、アクティビティ崖、リード最適化、デノボドラッグデザインといった問題に対処するための貴重なツールとなる可能性がある。
論文参考訳（メタデータ） (2022-01-25T09:09:43Z)
Learning To Navigate The Synthetically Accessible Chemical Space Using Reinforcement Learning [75.95376096628135]
ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
論文参考訳（メタデータ） (2020-04-26T21:40:03Z)

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。