基于简单特征与浅层神经网络和决策树的高效毒性预测
机器学习
2019-01-29 v1 机器学习
摘要
化学化合物的毒性预测是一项重大挑战。近来，其准确性取得了显著进展，但使用了海量特征、实现了深度神经网络等复杂的黑箱技术，并耗费了巨大的计算资源。在本文中，我们强烈主张采用在机器学习特性上简单、在计算资源使用上高效且能够达到很高准确度的模型与方法。为证明这一点，我们仅使用计算强度较低的二维特征，开发了一个基于单任务的化学毒性预测框架。我们有效利用决策树从数千个特征中筛选出最优特征数量。我们使用浅层神经网络，并将其与决策树联合优化，同时考虑网络参数与输入特征。我们的模型在单个CPU上训练仅需一分钟，而现有使用深度神经网络的方法在NVidia Tesla K40 GPU上约需10分钟。然而，我们在多个毒性基准任务上取得了相似或更好的性能。我们还开发了一种累积特征排序方法，使我们能够识别有助于化学家有效预筛毒性化合物的特征。
引用
@article{arxiv.1901.09240,
title = {Efficient Toxicity Prediction via Simple Features Using Shallow Neural Networks and Decision Trees},
author = {Abdul Karim and Avinash Mishra and M A Hakim Newton and Abdul Sattar},
journal= {arXiv preprint arXiv:1901.09240},
year = {2019}
}