使用多任务网络对工业 ADMET 数据进行建模
机器学习
2017-01-16 v3
摘要
深度学习方法，如多任务神经网络，近期已被应用于基于配体的虚拟筛选及其他药物发现应用。我们使用一组工业 ADMET 数据集，将神经网络与标准基线模型进行比较，并通过随机交叉验证和一种更相关的时间验证方案来分析多任务学习效应。我们证实，多任务学习相较于单任务模型能提供适度的益处，并表明较小的数据集往往比较大的数据集从多任务学习中获益更多。此外，我们发现，添加大量辅助信息并不能保证相对于更简单的多任务学习能提升性能。我们的结果强调，多任务效应高度依赖于数据集，建议使用数据集特定的模型以最大化整体性能。
引用
@article{arxiv.1606.08793,
title = {Modeling Industrial ADMET Data with Multitask Networks},
author = {Steven Kearnes and Brian Goldman and Vijay Pande},
journal= {arXiv preprint arXiv:1606.08793},
year = {2017}
}
备注
See "Version information" section