論文の概要: Meta-Learning Linear Models for Molecular Property Prediction

• arxiv url: http://arxiv.org/abs/2509.13527v1
• Date: Tue, 16 Sep 2025 20:41:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.648643
• Title: Meta-Learning Linear Models for Molecular Property Prediction
• Title（参考訳）: 分子特性予測のためのメタラーニング線形モデル
• Authors: Yulia Pimonova, Michael G. Taylor, Alice Allen, Ping Yang, Nicholas Lubbers,
• Abstract要約: 本稿では,メタラーニングのための線形アルゴリズムであるLAMeLを紹介する。 本手法は,データセットの領域によって,標準リッジ回帰よりも1.1～25倍の性能向上を実現している。
• 参考スコア（独自算出の注目度）: 3.9685594339912633
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chemists in search of structure-property relationships face great challenges due to limited high quality, concordant datasets. Machine learning (ML) has significantly advanced predictive capabilities in chemical sciences, but these modern data-driven approaches have increased the demand for data. In response to the growing demand for explainable AI (XAI) and to bridge the gap between predictive accuracy and human comprehensibility, we introduce LAMeL - a Linear Algorithm for Meta-Learning that preserves interpretability while improving the prediction accuracy across multiple properties. While most approaches treat each chemical prediction task in isolation, LAMeL leverages a meta-learning framework to identify shared model parameters across related tasks, even if those tasks do not share data, allowing it to learn a common functional manifold that serves as a more informed starting point for new unseen tasks. Our method delivers performance improvements ranging from 1.1- to 25-fold over standard ridge regression, depending on the domain of the dataset. While the degree of performance enhancement varies across tasks, LAMeL consistently outperforms or matches traditional linear methods, making it a reliable tool for chemical property prediction where both accuracy and interpretability are critical.
• Abstract（参考訳）: 構造とプロパティの関係を探究する化学者は、高品質で調和したデータセットが限られているため、大きな課題に直面します。 機械学習(ML)は化学科学においてかなり高度な予測能力を持っているが、現代のデータ駆動型アプローチはデータの需要を増大させている。 説明可能なAI(XAI)の需要が増大し,予測精度と人間の理解性のギャップを埋めるために,メタラーニングのための線形アルゴリズムであるLAMeLを導入する。 ほとんどのアプローチは、それぞれの化学予測タスクを分離して扱うが、LAMeLはメタラーニングフレームワークを利用して、関連するタスク間で共有モデルパラメータを識別する。 本手法は,データセットの領域によって,標準リッジ回帰よりも1.1～25倍の性能向上を実現している。 性能向上の度合いはタスクによって異なるが、LAMeLは従来の線形法よりも一貫して優れるか、一致している。

関連論文リスト

• Lessons Learned from Deploying Adaptive Machine Learning Agents with Limited Data for Real-time Cell Culture Process Monitoring [4.920530441985874]
  本研究では, 細胞培養プロセスにおけるグルコース, 乳酸, アンモニウム濃度のリアルタイム予測のための機械学習(ML)3つのアプローチの展開について検討した。 この研究は、限られたデータ可用性とプロセスの可変性に関連する課題に対処する。 各種バイオプロセス条件がモデル性能に及ぼす影響を評価するために, 2つの産業ケーススタディを提出した。
  論文  参考訳（メタデータ） (2025-08-29T22:26:13Z)
• Beyond Scaling: Measuring and Predicting the Upper Bound of Knowledge Retention in Language Model Pre-Training [51.41246396610475]
  本稿では,外部ツールを使わずにクローズドブック質問応答(QA)の性能を予測することを目的とする。 我々は、21の公開言語と3つのカスタムトレーニングされた大規模言語モデルの事前学習コーパスに対して、大規模な検索と意味解析を行う。 これらの基礎の上に構築されたSMI(Size-dependent Mutual Information)は,事前学習データの特徴を線形に相関させる情報理論の指標である。
  論文  参考訳（メタデータ） (2025-02-06T13:23:53Z)
• What Do Learning Dynamics Reveal About Generalization in LLM Reasoning? [83.83230167222852]
  モデルの一般化動作は,事前記憶列車の精度と呼ばれるトレーニング指標によって効果的に特徴づけられることがわかった。 モデルの学習行動と一般化を結びつけることで、トレーニング戦略に目標とする改善を導くことができる。
  論文  参考訳（メタデータ） (2024-11-12T09:52:40Z)
• Cross-Modal Learning for Chemistry Property Prediction: Large Language Models Meet Graph Machine Learning [0.0]
  グラフニューラルネットワーク(GNN)の分析能力と大規模言語モデル(LLM)の言語生成・予測能力を利用する多モード融合(MMF)フレームワークを提案する。 本フレームワークは,グラフ構造化データのモデリングにおけるGNNの有効性とLLMのゼロショットおよび少数ショット学習能力を組み合わせることにより,オーバーフィッティングのリスクを低減し,予測の改善を実現する。
  論文  参考訳（メタデータ） (2024-08-27T11:10:39Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)

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。