論文の概要: MoEDDI: Semantic Mixtures of Experts for Long Tailed Drug Drug Interaction Prediction

• arxiv url: http://arxiv.org/abs/2611.01343v1
• Date: Sat, 31 Oct 2026 23:19:24 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:32:47.881315
• Title: MoEDDI: Semantic Mixtures of Experts for Long Tailed Drug Drug Interaction Prediction
• Title（参考訳）: MoEDDI:長期薬物相互作用予測の専門家のセマンティックミックス
• Abstract要約: MoEDDIは、低次元統計を用いて重なり合う記述子ファミリーをルートする、化学的に組織された試験混合物である。 2ドルという高額な混合物とグローバルなT-DDI経路を結合し、残高補正を行う。 178クラス、86クラス、92クラスの完全なテストパーティションで、MoEDDIは再生されたシード2026 T-DDIベースラインよりもマクロF1を改善している。
• 参考スコア（独自算出の注目度）: 0.7709145476367948
• License:
• Abstract: Descriptor-based drug--drug interaction (DDI) models typically apply a single global predictor despite heterogeneous physicochemical evidence and severely long-tailed labels. We introduce \textbf{MoEDDI (Mixture-of-Experts for Drug--Drug Interaction prediction)}, a chemically organized mixture-of-experts that routes overlapping descriptor families using low-dimensional statistics and combines their sparse top-$2$ mixture with a global T-DDI pathway through a residual logit correction. The residual parameterization can exactly preserve a supplied T-DDI checkpoint at initialization, although the evaluated models are trained from scratch. Across complete test partitions with 178, 86, and 92 classes, MoEDDI improves macro-F1 over reproduced seed-2026 T-DDI baselines from 0.8284 to 0.8485, 0.4729 to 0.6536, and 0.1807 to 0.4671. On the 3,780-feature corpus, the lowest-support group (89 classes with fewer than 50 test examples) shows the largest mean classwise gain (+3.30 F1 points). Calibration improves on one corpus but worsens on two. These single-seed results support semantic conditional specialization while motivating matched ablations and distribution-shift evaluation.
• Abstract（参考訳）: ディスクリプタベースのドラッグ・ドラッグ・インタラクション(DDI)モデルは通常、異質な物理化学的証拠と非常に長い尾のラベルにもかかわらず、単一のグローバル予測を適用します。 低次元統計量を用いて重なり合う記述子ファミリーをルートし,その疎らな上位2ドルとグローバルなT-DDI経路の残差補正を併用する,化学的に編成された試験用混合剤である「textbf{MoEDDI」を紹介する。 残差パラメータ化は初期化時に供給されたT-DDIチェックポイントを正確に保持することができるが、評価モデルはスクラッチから訓練される。 178クラス、86クラス、92クラスの完全なテストパーティションで、MoEDDIは再現されたシード-2026 T-DDIベースラインのマクロF1を0.8284から0.8485、0.4729から0.6536、0.1807から0.4671に改善した。 3,780-feature corpus では、最低支持群(テスト例が 50 未満の89 クラス)が最大の平均利得(+3.30 F1 ポイント)を示している。 校正は1つのコーパスで改善するが、2つのコーパスでは悪化する。 これらのシングルシード結果は、一致した改善と分布シフト評価を動機付けながら、意味条件の特殊化をサポートする。

関連論文リスト

• Brain-Behavior Modeling from Multimodal MRI using Opportunistic Pretraining and Common-Cohort Adaptation [1.9600566014761407]
  2段階トレーニングでは,27例中24例において平均判定係数(R2)が増加した。 タスク+停止状態とトリモーダルアンサンブルは、すべてのターゲットに対する絶対誤差を低減します。
  論文  参考訳（メタデータ） (2026-10-28T06:46:26Z)
• Custom Named Entity Recognition and Topic Classification for Global Health Publications [0.3823356975862005]
  この論文は、セマンティックタグ発見、名前付きエンティティ認識(NER)、マルチラベルトピック分類の実験を通じて課題を調査する。 まず, プログレッシブな特殊コーパスをトレーニングしたスキップグラム word2vec モデルを BioWordVec と比較し, コーパスサイズとドメインコンテキストがタグ発見に与える影響を評価する。 この分析結果はエンティティ抽出に変わり、1000の注釈付き文で畳み込みのspurCyモデルとRoBERTaベースの変換器を比較した。
  論文  参考訳（メタデータ） (2026-09-21T14:09:53Z)
• ToxLens: A Reproducible Graph-Learning Framework for Leakage-Aware, Uncertainty-Calibrated Molecular Toxicity Prediction [0.0]
  ToxLensは、エイムズ変異原性、急性口腔毒性、hERG阻害、およびTox21核受容体およびストレス応答アッセイにまたがる11の毒性エンドポイントのグラフ学習フレームワークである。 このワークフローは、保守的な化学キュレーション、球面排除フィルター、リーク対応のUMAP-HDBSCANスプリット、並列グラフ、グローバル機能エンコーダを組み合わせ、遅延結合と結合する。 漏れ制御テストフォールドでは、5シードのソフト発声アンサンブルがマシューズ相関係数スコア0.44、受信機動作特性曲線スコア0.83、受信機下領域を達成した。
  論文  参考訳（メタデータ） (2026-08-31T08:58:51Z)
• DPTM-DT: Dual-Pretrained Transformer Multitask Representation Learning for Drug-Target Prediction [2.7074235008521246]
  本稿では,マルチタスクドラッグターゲット予測のための2つの事前学習型トランスフォーマフレームワークDPTM-DTを提案する。 DPTM-DTは、GROVER分子グラフ埋め込み、ESMタンパク質言語モデル埋め込み、CTD物理化学的記述子を組み合わせている。 共有ペア表現は、連続親和性回帰、高親和性二分分類、および6レベル親和性分類に使用される。
  論文  参考訳（メタデータ） (2026-08-28T03:44:30Z)
• Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
  通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。 我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。 ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
  論文  参考訳（メタデータ） (2026-07-07T10:10:00Z)
• CoDMD: Copula-aware Distribution Matching Distillation for Fast Video Generation [50.353919095724315]
  実世界のシナリオにおける効率的な展開の急激な需要により,ビデオ拡散モデルの蒸留が注目されている。 我々は,凍結教師とオンライン偽モデルによって既に生成されているスコア推定を再利用し,対関係行列を構成する軽量リレーショナルレギュレータであるCopula-Aware DMD(CoDMD)を提案する。 1.3Bと14BスケールのWan-2.1-T2Vモデルシリーズで、CoDMDは50ステップの教師を4ステップの学生に蒸留し、VBenchスコア84.46と84.87を達成しながら、およそ25$times$ Speed-upを達成した。
  論文  参考訳（メタデータ） (2026-06-20T10:33:14Z)
• A self-evolving agent for explainable diagnosis of DFT-experiment band-gap mismatch [3.3602370127893724]
  本稿では,ミスマッチを自動的に診断するクローズドループエージェントであるXDFTを紹介する。 検証された124項目のベンチマークでは、XDFTは90件中70件のミスマッチの解決メカニズムを特定している。
  論文  参考訳（メタデータ） (2026-04-29T14:11:03Z)
• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• Test-Time Adaptation Induces Stronger Accuracy and Agreement-on-the-Line [65.14099135546594]
  最近のテスト時間適応 (TTA) 法は, モデルに非常に弱い相関関係を示すシフトであっても, ACL と AGL の傾向を大幅に強化する。 この結果から,TTAとAGLに基づく推定手法を組み合わせることで,より広い分布シフトの集合に対する高精度なモデルOOD性能を推定できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-07T23:21:25Z)
• Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
  DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。 MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。 総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
  論文  参考訳（メタデータ） (2022-03-28T05:44:29Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)

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。