用于药物发现的海量多任务网络
机器学习
2015-02-10 v1 机器学习
神经与进化计算
摘要
海量多任务神经架构为药物发现提供了一个学习框架，该框架综合了许多不同生物来源的信息。为了大规模训练这些架构，我们从公共来源收集了大量数据，创建了一个涵盖超过200个生物靶标的近4000万次测量的数据集。我们通过一系列实证研究调查了多任务框架的几个方面，并获得了一些有趣的结果：(1) 海量多任务网络获得的预测精度显著优于单任务方法，(2) 多任务网络的预测能力随着额外任务和数据的加入而提高，(3) 数据总量和任务总数都对多任务改进有显著贡献，(4) 多任务网络对不在训练集中的任务具有有限的迁移能力。我们的结果强调了加强数据共享和进一步算法创新以加速药物发现过程的必要性。
引用
@article{arxiv.1502.02072,
title = {Massively Multitask Networks for Drug Discovery},
author = {Bharath Ramsundar and Steven Kearnes and Patrick Riley and Dale Webster and David Konerding and Vijay Pande},
journal= {arXiv preprint arXiv:1502.02072},
year = {2015}
}
备注
Preliminary work. Under review by the International Conference on Machine Learning (ICML)