論文の概要: Safe Multitask Molecular Graph Networks for Vapor Pressure and Odor Threshold Prediction
- arxiv url: http://arxiv.org/abs/2601.16426v1
- Date: Fri, 23 Jan 2026 03:51:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-26 14:27:27.530419
- Title: Safe Multitask Molecular Graph Networks for Vapor Pressure and Odor Threshold Prediction
- Title（参考訳）: 蒸気圧および臭気閾値予測のための安全なマルチタスク分子グラフネットワーク
- Authors: Shuang Wu, Meijie Wang, Lun Yu,
- Abstract要約: A20/E17分子グラフの特徴(20次元原子の特徴+17次元結合特徴)を導入し,GINEとPNAのバックボーンを体系的に比較した。
マルチタスクトレーニングでは,主タスクとしてVP,副タスクとしてOP,遅延アクティベーション+勾配クリッピング+小さなウェイトを用いて**"セーフなマルチタスク**アプローチを提案する。
- 参考スコア（独自算出の注目度）: 6.136058301345827
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We investigate two important tasks in odor-related property modeling: Vapor Pressure (VP) and Odor Threshold (OP). To evaluate the model's out-of-distribution (OOD) capability, we adopt the Bemis-Murcko scaffold split. In terms of features, we introduce the rich A20/E17 molecular graph features (20-dimensional atom features + 17-dimensional bond features) and systematically compare GINE and PNA backbones. The results show: for VP, PNA with a simple regression head achieves Val MSE $\approx$ 0.21 (normalized space); for the OP single task under the same scaffold split, using A20/E17 with robust training (Huber/winsor) achieves Val MSE $\approx$ 0.60-0.61. For multitask training, we propose a **"safe multitask"** approach: VP as the primary task and OP as the auxiliary task, using delayed activation + gradient clipping + small weight, which avoids harming the primary task and simultaneously yields the best VP generalization performance. This paper provides complete reproducible experiments, ablation studies, and error-similarity analysis while discussing the impact of data noise and method limitations.
- Abstract（参考訳）: 本稿では, 匂い関連特性モデリングにおける2つの重要な課題として, 蒸気圧(VP)と臭気閾値(OP)について検討する。
モデルのアウト・オブ・ディストリビューション(OOD)能力を評価するために,Bemis-Murckoスキャフォールドスプリットを採用する。
特徴としては、リッチなA20/E17分子グラフの特徴(20次元原子の特徴+17次元結合特徴)を導入し、GINEとPNAのバックボーンを体系的に比較する。
VP の場合、単純な回帰ヘッドを持つ PNA は Val MSE $\approx$ 0.21 (正規化された空間) を達成する。
マルチタスクトレーニングでは,主タスクとしてVP,副タスクとしてOP,遅延アクティベーション+勾配クリッピング+小重量化を用いて,主タスクを損なわず,同時に最高のVP一般化性能が得られる,**"安全マルチタスク**アプローチを提案する。
本稿では、データノイズとメソッド制限の影響を議論しながら、再現性のある完全な実験、アブレーション研究、エラー類似性分析を提供する。
関連論文リスト
- Quantum-Enhanced Multi-Task Learning with Learnable Weighting for Pharmacokinetic and Toxicity Prediction [10.487649921110611]
本稿では,ADMET分類タスクに特化して設計された,量子強化およびタスク重み付きマルチタスク学習フレームワークを提案する。
QW-MTLは、電子構造と相互作用に関する追加情報で分子表現を豊かにする量子化学記述子を採用している。
タスク間の動的損失分散を実現するために、データセットスケールの事前処理と学習可能なパラメータを組み合わせた、新しい指数関数的タスク重み付け方式を導入している。
論文 参考訳（メタデータ） (2025-09-04T18:33:40Z) - All You Need Is Synthetic Task Augmentation [0.0]
本研究では,1つのグラフトランスフォーマーニューラルネットワークを,スパースマルチタスク分子特性実験ターゲットと合成ターゲットの両方で協調的にトレーニングする新しい手法を提案する。
その結果,19の分子特性予測タスクにおいて,一貫した,重要な性能向上が得られた。
論文 参考訳（メタデータ） (2025-05-15T09:46:27Z) - VAPO: Efficient and Reliable Reinforcement Learning for Advanced Reasoning Tasks [49.0793012627959]
本稿では,価値に基づくパラダイム内での推論モデルに適した新しいフレームワークVAPOを提案する。
VAPOは最先端のスコアが$mathbf60.4$に達する。
同じ実験条件下で直接比較すると、VAPOはDeepSeek-R1-Zero-Qwen-32BとDAPOの結果を10点以上上回っている。
論文 参考訳（メタデータ） (2025-04-07T14:21:11Z) - MASS: MoErging through Adaptive Subspace Selection [55.03293736484465]
モデルマージの新しいアプローチであるMASS(MoErging through Adaptive Subspace Selection)を提案する。
MASSはタスクごとに最も健全な特異なコンポーネントのみを格納し、それらを共有モデルにマージする。
我々は,8,14,20タスクのベンチマークに対して,ViT-B-16,ViT-B-32,ViT-L-14を用いて,CLIPに基づく画像分類のMASSを評価する。
論文 参考訳（メタデータ） (2025-04-06T08:49:52Z) - PulmoFusion: Advancing Pulmonary Health with Efficient Multi-Modal Fusion [31.28925796862013]
従来のリモートスピロメトリでは、効果的な肺モニタリングに必要な精度が欠如している。
本稿では,RGBやサーマルビデオデータと患者のメタデータを統合するマルチモーダル予測モデルを用いた,新しい非侵襲的アプローチを提案する。
論文 参考訳（メタデータ） (2025-01-29T15:10:09Z) - M-DEW: Extending Dynamic Ensemble Weighting to Handle Missing Values [2.8861431208787525]
我々は、不足データを用いて下流予測を行うための新しいAutoML技術を開発した。
M-DEWは18実験中17実験において、モデルパープレキシティの統計的に有意な減少を生じるという、最先端技術よりも優れていることが示されている。
論文 参考訳（メタデータ） (2024-04-30T20:13:18Z) - AutoVP: An Automated Visual Prompting Framework and Benchmark [66.5618543577204]
ビジュアルプロンプト(VP)は、様々な下流画像分類タスクを解決するために、事前訓練された視覚モデルを適用するための、パラメータ効率の高い微調整手法である。
本稿では,VP設計選択を自動化するエンドツーエンド拡張可能なフレームワークであるAutoVPと,12のダウンストリーム画像分類タスクを提案する。
実験の結果,AutoVPは,現在よく知られているVP手法よりもかなり優れていることがわかった。
論文 参考訳（メタデータ） (2023-10-12T14:55:31Z) - Hierarchical Side-Tuning for Vision Transformers [33.536948382414316]
微調整された事前訓練された視覚変換器(ViTs)は、視覚認識タスクの強化に大きく貢献している。
PETLは、完全な微調整に比べてパラメータ更新が少なく、高いパフォーマンスを実現する可能性がある。
本稿では,多様な下流タスクへのVTモデルの転送を容易にする革新的PETL手法である階層側チューニング(HST)を紹介する。
論文 参考訳（メタデータ） (2023-10-09T04:16:35Z) - Effective Whole-body Pose Estimation with Two-stages Distillation [52.92064408970796]
全体ポーズ推定は、画像内の人体、手、顔、足のキーポイントをローカライズする。
textbfWhole-body textbfPose 推定器の2段階ポーズ textbfDistillation を提案し,その有効性と効率性について検討した。
論文 参考訳（メタデータ） (2023-07-29T03:49:28Z) - Provable Multi-Task Representation Learning by Two-Layer ReLU Neural Networks [69.38572074372392]
本稿では,複数タスクにおける非線形モデルを用いたトレーニング中に特徴学習が発生することを示す最初の結果を示す。
私たちのキーとなる洞察は、マルチタスク事前トレーニングは、通常タスク間で同じラベルを持つポイントを整列する表現を好む擬似コントラスト的損失を誘導するということです。
論文 参考訳（メタデータ） (2023-07-13T16:39:08Z) - Tyger: Task-Type-Generic Active Learning for Molecular Property
Prediction [121.97742787439546]
分子の性質を正確に予測する方法は、AIによる薬物発見において重要な問題である。
アノテーションのコストを削減するため,注釈付けのための最も代表的で情報性の高いデータのみを選択するために,深層能動学習法が開発された。
本稿では,異なるタイプの学習タスクを統一的に処理できるタスク型汎用能動的学習フレームワーク(Tyger)を提案する。
論文 参考訳（メタデータ） (2022-05-23T12:56:12Z)
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。