Hyperparameter optimization and neural architecture search algorithms for graph Neural Networks in cheminformatics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
• Comprehensive review of cheminformatics datasets for molecular property prediction. • Survey of optimization techniques for Graph Neural Networks in cheminformatics. • Comparison of optimization methods, highlighting strengths and limitations. • Identify gaps and future directions in Graph Neural Networks for cheminformatics. Cheminformatics, an interdisciplinary field bridging chemistry and information science, leverages computational tools to analyze and interpret chemical data, playing a critical role in drug discovery, material science, and environmental chemistry. Traditional methods, reliant on rule-based algorithms and expert-curated datasets, face challenges in scalability and adaptability. Recently, machine learning and deep learning have revolutionized cheminformatics by offering data-driven approaches that uncover complex patterns in vast chemical datasets, advancing molecular property prediction, chemical reaction modeling, and de novo molecular design. Among the most promising techniques are Graph Neural Networks (GNNs), which have emerged as a powerful tool for modeling molecules in a manner that mirrors their underlying chemical structures. Despite their success, the performance of GNNs is highly sensitive to architectural choices and hyperparameters, making optimal configuration selection a non-trivial task. Neural Architecture Search (NAS) and Hyperparameter Optimization (HPO) are crucial for improving GNN performance, but the complexity and computational cost of these processes have traditionally hindered progress. This review examines various strategies for automating NAS and HPO in GNNs, highlighting their potential to enhance model performance, scalability, and efficiency in key cheminformatics applications. As the field evolves, automated optimization techniques are expected to play a pivotal role in advancing GNN-based solutions in cheminformatics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle