利用基于规则的标签进行弱监督学习：用于可迁移化学性质预测的 ChemNet
机器学习
2018-08-16 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
在获得大型数据集的条件下，深度神经网络 (DNN) 已在图像与语音识别任务中达到人类水平的准确率。然而在化学领域，数据天然地少且碎片化。本工作中，我们开发了一种利用基于规则的知识训练 ChemNet 的方法，ChemNet 是一个可迁移且可泛化的深度神经网络，用于化学性质预测，它从大型无标签化学数据库以弱监督方式学习。当结合迁移学习方法以预测其最初未训练的其他较小化学性质数据集时，我们表明 ChemNet 的准确率优于使用常规监督学习训练的当代 DNN 模型。此外，我们证明 ChemNet 预训练方法在 CNN (Chemception) 与 RNN (SMILES2vec) 模型上同样有效，表明该方法与网络架构无关且跨多种数据模态有效。我们的结果表明，融入化学领域知识的预训练 ChemNet 能够促成可泛化神经网络的发展，以更准确预测新颖化学性质。
引用
@article{arxiv.1712.02734,
title = {Using Rule-Based Labels for Weak Supervised Learning: A ChemNet for Transferable Chemical Property Prediction},
author = {Garrett B. Goh and Charles Siegel and Abhinav Vishnu and Nathan O. Hodas},
journal= {arXiv preprint arXiv:1712.02734},
year = {2018}
}
备注
Submitted to SIGKDD 2018