多任务卷积神经网络(MT-CNN)与其他几种毒性预测方法的比较
定量方法
2017-04-03 v1 机器学习
机器学习
摘要
毒性分析与预测对人类健康和环境保护至关重要。现有的计算方法由种类繁多的描述符和回归器构建而成，这使得对其性能的分析变得困难。例如，深度神经网络（DNN）在许多场合都是一种成功的方法，但它如同黑盒，缺乏概念上的优雅或物理上的可解释性。本工作基于已建立的电荷、表面积和自由能物理模型，构建了一组通用的微观描述符，以在同等基础上评估多任务卷积神经网络（MT-CNN）架构及其他几种方法（包括随机森林（RF）和梯度提升决策树（GBDT））的性能。文中还对卷积神经网络（CNN）和非卷积深度神经网络（DNN）算法进行了比较。四个基准毒性数据集（即终点）被用于评估各种方法。大量的数值研究表明，本文的 MT-CNN 架构能够超越现有最先进的方法。
引用
@article{arxiv.1703.10951,
title = {Comparison of multi-task convolutional neural network (MT-CNN) and a few other methods for toxicity prediction},
author = {Kedi Wu and Guo-Wei Wei},
journal= {arXiv preprint arXiv:1703.10951},
year = {2017}
}