論文の概要: KANEL: Kolmogorov-Arnold Network Ensemble Learning Enables Early Hit Enrichment in High-Throughput Virtual Screening

• arxiv url: http://arxiv.org/abs/2603.25755v1
• Date: Wed, 25 Mar 2026 05:27:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.183777
• Title: KANEL: Kolmogorov-Arnold Network Ensemble Learning Enables Early Hit Enrichment in High-Throughput Virtual Screening
• Title（参考訳）: Kanel: Kolmogorov-Arnold Network Ensemble Learningにより、高速仮想スクリーニングの早期強化が可能に
• Authors: Pavel Koptev, Nikita Krainov, Konstantin Malkov, Alexander Tropsha,
• Abstract要約: 我々は、解釈可能なコルモゴロフ・アルノルドネットワーク(KAN)とXGBoost、ランダムフォレスト、および相補的な分子表現で訓練された多層パーセプトロンモデルを組み合わせたアンサンブルワークフローであるKanelを提案する。
• 参考スコア（独自算出の注目度）: 39.90173478542988
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning models of chemical bioactivity are increasingly used for prioritizing a small number of compounds in virtual screening libraries for experimental follow-up. In these applications, assessing model accuracy by early hit enrichment such as Positive Predicted Value (PPV) calculated for top N hits (PPV@N) is more appropriate and actionable than traditional global metrics such as AUC. We present KANEL, an ensemble workflow that combines interpretable Kolmogorov-Arnold Networks (KANs) with XGBoost, random forest, and multilayer perceptron models trained on complementary molecular representations (LillyMol descriptors, RDKit-derived descriptors, and Morgan fingerprints).
• Abstract（参考訳）: 化学生物活性の機械学習モデルは、実験的なフォローアップのために、仮想スクリーニングライブラリ内の少数の化合物の優先順位付けにますます使われている。 これらのアプリケーションでは、トップNヒット(PPV@N)に対して算出された正の予測値(PPV)などの早期ヒット高によるモデル精度の評価は、AUCのような従来のグローバルメトリクスよりも適切で実用的なものである。 我々は,解釈可能なKolmogorov-Arnold Networks(KAN)とXGBoost,ランダムフォレスト,および相補的な分子表現で訓練された多層パーセプトロンモデル(LillyMol記述子,RDKit由来記述子,モーガン指紋)を組み合わせたアンサンブルワークフローについて述べる。

関連論文リスト

• Improving Set Function Approximation with Quasi-Arithmetic Neural Networks [23.73257235603082]
  準数学的ニューラルネットワーク(qui-arithmetic Neural Network, QUINN)を提案する。 quaNNは、一般的な集合関数分解の幅広いクラスに対する普遍近似である。 理論解析により、quarNNは共通な集合関数分解の幅広いクラスに対する普遍近似であることを示す。
  論文  参考訳（メタデータ） (2026-02-04T18:36:31Z)
• Improving Predictions of Molecular Properties with Graph Featurisation and Heterogeneous Ensemble Models [0.0]
  機械学習(ML)モデルの多種多様なセットから予測を集約するメタモデルフレームワークを導入する。 テストされたすべての回帰データセットにおいて、我々のフレームワークが最先端のChemPropモデルより優れていることを示す。 幅広い課題にまたがって最適な性能を達成するためには,汎用記述子とタスク固有の学習機能を組み合わせることが不可欠である。
  論文  参考訳（メタデータ） (2025-10-27T15:33:05Z)
• Skeleton2vec: A Self-supervised Learning Framework with Contextualized Target Representations for Skeleton Sequence [56.092059713922744]
  予測対象として高レベルな文脈化機能を使用することで,優れた性能が得られることを示す。 具体的には、シンプルで効率的な3D行動表現学習フレームワークであるSkeleton2vecを提案する。 提案するSkeleton2vecは,従来の手法より優れ,最先端の結果が得られる。
  論文  参考訳（メタデータ） (2024-01-01T12:08:35Z)
• Towards a learning-based performance modeling for accelerating Deep Neural Networks [1.1549572298362785]
  我々は、畳み込みニューラルネットワーク(CNN)を最適化するために、機械学習技術に基づく予測モデルの調査を開始する。 MidgardベースのARM Mali GPUの予備実験では、我々の予測モデルはライブラリが手作業で選択したすべての畳み込み演算子よりも優れていた。
  論文  参考訳（メタデータ） (2022-12-09T18:28:07Z)
• Learning with MISELBO: The Mixture Cookbook [62.75516608080322]
  本稿では,VampPriorとPixelCNNデコーダネットワークを用いて,フローベース階層型変分オートエンコーダ(VAE)の正規化のための変分近似を初めて提案する。 我々は、この協調行動について、VIと適応的重要度サンプリングの新たな関係を描いて説明する。 我々は、MNISTおよびFashionMNISTデータセット上の負のログ類似度の観点から、VAEアーキテクチャの最先端結果を得る。
  論文  参考訳（メタデータ） (2022-09-30T15:01:35Z)
• Benchmarking Accuracy and Generalizability of Four Graph Neural Networks Using Large In Vitro ADME Datasets from Different Chemical Spaces [6.118940071203314]
  グラフ畳み込みネットワーク(GCN)、グラフ注意ネットワーク(GAT)、メッセージパッシングニューラルネットワーク(MPNN)、注意フィンガープリント(AttentiveFP)の4種類について考察する。 すべてのGNNモデルは、指紋のみに基づく従来の低バーベンチマークモデルよりも大幅に優れている。 GATだけが、従来のベンチマークモデルよりも小さいが一貫した改善を提供するようだ。
  論文  参考訳（メタデータ） (2021-11-27T18:54:38Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Generate Novel Molecules With Target Properties Using Conditional Generative Models [0.0]
  トレーニングセット内の分子と同様の小さな分子を生成する新しいニューラルネットワークを提案する。 我々のネットワークは,分子量,ログP,薬物類似度の定量的評価を指標として,従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-09-15T18:59:26Z)

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。