利用工程化与学习化表示的生物降解性预测多模态深度神经网络
机器学习
2018-09-17 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
深度学习算法擅长从原始数据中提取模式，在拥有大型数据集时，它们在计算机视觉和自然语言应用中已非常成功。然而，在其他领域中，可能并不存在可供学习表示的大型数据集。在这项工作中，我们开发了一种新颖的多模态 CNN-MLP 神经网络架构，该架构同时利用特定领域的特征工程以及从原始数据中学习到的表示。我们在化学科学中说明了此类网络设计在预测生物降解性方面的有效性。DeepBioD 是一种多模态 CNN-MLP 网络，其准确率优于任一独立网络设计，并实现了 0.125 的错误分类率，比当前最先进水平低 27%。因此，我们的工作表明，将传统特征工程与表示学习相结合可能是有效的，尤其是在标注数据有限的情况下。
引用
@article{arxiv.1808.04456,
title = {Multimodal Deep Neural Networks using Both Engineered and Learned Representations for Biodegradability Prediction},
author = {Garrett B. Goh and Khushmeen Sakloth and Charles Siegel and Abhinav Vishnu and Jim Pfaendtner},
journal= {arXiv preprint arXiv:1808.04456},
year = {2018}
}
备注
Submitted to a peer-reviewed ML conference