- 用快速傅立叶变换的分子对接的等变标量场
分子对接是基于结构的虚拟筛选的关键,本研究利用机器学习加速该过程,通过学习一种具有更快优化速度的函数形式评分函数,使用图神经网络参数化的多通道配体和蛋白质标量场的互相关作为评分函数,实现快速优化刚体自由度,并在常见结合口袋的虚拟筛选设置中表 - 增强分子对接中配体姿态抽样
深度学习在分子对接中应用具有巨大潜力,本文通过改进候选配体结合姿势的采样协议,提高了采样准确性,特别是对于结合口袋形状变化较大的情况,同时提供了候选配体姿势数据集和 GLOW 与 IVES 的开源实现。
- 基于预训练语言模型的本体修订
本文定义了四个评分函数来基于预训练模型对公理进行排名,提出了一种处理不可满足概念的本体修订算法,并通过实验验证了其性能和效率。
- 高维数据成对样本假设检验框架
在多维配对样本测试中,我们提出了一种得分函数的生成方法,通过连接每对样本的垂直平分线的决策规则进行定义。然后,我们通过广义化的 Hodges-Lehmann 估计器来估计这些规则的伪中值,从而得到最优得分函数。我们提出了一个两步测试过程的框 - BESS: 大规模知识图谱补全的平衡实体采样与共享
本文介绍了一种利用一系列知识图谱嵌入模型进行分布式训练的方法,实现了对知识图谱 WikiKG90Mv2 上链接预测的高效准确,取得了比赛的第一名。
- 端到端自动语音识别新课程标准的比较与分析
本篇论文探讨了如何通过 Curriculum Learning 使用有组织的训练数据,以提高机器学习模型的性能,并在语音识别领域证明了这一方法的有效性。
- 正式化运行时分布的偏好
该论文旨在通过形式化运行时分布的喜好来解决在算法选择中的竞争。我们提出了一种基于效用理论的方法,描述了算法偏好的评分函数,这些函数依赖于解决问题的价值如何随时间降低以及满足的时间分布。我们展示了实用程序函数的例子,并展示了如何利用最大熵方法 - 多元时间序列中异常检测和诊断的评估
本文系统评估了多种无监督和半监督的基于深度学习的方法,针对来自物联网系统的多维时间序列数据进行异常检测和诊断。通过实验,我们提出了评估时间序列异常检测的组合 F-score ($Fc_1$) 度量,该度量考虑了异常事件的相关性和检测器的复杂 - EMNLP利用上下文作为正则化器的 ConRPG: 意译生成
本文提出了一种基于无监督范式的释义生成方法,思路基于生成相同含义的两个句子的概率应该相同,提出了一种由基于上下文语言模型生成释义候选项、使用评分函数进行候选项过滤、基于筛选的候选项进行释义模型训练的管道系统,并在不同任务和数据集上进行实验, - 知识图谱的分段嵌入 (SEEK)
本文提出了一种轻量级的建模框架,主要关注评分函数的设计以实现高度竞争的关系表达能力,并突出两个关键特征:1)促进足够的特征交互;2)保留关系的对称性和反对称性。对公共基准的大量实验表明,该框架具有高效和有效性。
- OnionNet:一种基于多层分子间接触的卷积神经网络,用于蛋白质 - 配体结合亲和力预测
介绍了一种基于深度卷积神经网络的分子对接得分预测模型并使用 CASF-2013 数据库和 PDBbind 数据库进行测试,结果表明本文方法相比过去的基于卷积神经网络的方法有了更好的预测性能。
- AutoSF: 为知识图谱嵌入搜索评分函数
本文介绍了一种基于自动化机器学习技术的自动设计得分函数的方法(AutoSF),该方法能够提高知识图中链接预测和三元组分类的准确性,并且优于目前由人设计的最先进的得分函数。
- 信息集对预测的作用 - 应用于风险管理
研究了信息数量增加对预测机制的影响,证明了预测机制的正确规范可以提高预测准确性;通过严格一致的评分函数展示了增加信息集的效应,并且探究了信息集序列中值在风险管理和预测方面的实际应用。
- 评定最佳实例
提出了一种基于实值评分函数构建的方法,通过针对专用统计量的经验分位数来研究本地排名问题的经验风险最小化,并提出了一些特殊的性能度量来扩展 AROC 标准,并描述了这些新标准的最优元素。