केडीडी 2018, पांचवें दिन समापन

तो केडीडी का पांचवा, अंतिम दिन समाप्त हुआ। मैं फेसबुक और Google एआई से कुछ दिलचस्प रिपोर्ट सुनने में कामयाब रहा, फुटबॉल रणनीति को याद किया और कुछ रसायन उत्पन्न किए। इसके बारे में और न केवल - कटौती के तहत। अलास्का की राजधानी एंकोरेज में एक साल में मिलते हैं!

छोटी डेटा समस्याओं के लिए बिग डेटा लर्निंग पर

चीनी प्रोफेसर की सुबह की रिपोर्ट कठिन थी। स्पीकर ने तैयारी के दौरान स्पष्ट रूप से मुक्त कर दिया, अक्सर भटक गया, स्लाइड को छोड़ना शुरू कर दिया और जीवन के लिए बात करने के बजाय, नींद वाले मस्तिष्क को गणित के साथ लोड करने की कोशिश की।

कहानी की सामान्य रूपरेखा इस विचार के इर्द-गिर्द घूमती है कि हमेशा बहुत सारे डेटा से दूर है। उदाहरण के लिए, एक लंबी पूंछ है जिसमें कई विविध उदाहरण हैं। बड़ी संख्या में वर्ग के साथ डेटासेट होते हैं, जो अपने आप में बड़े होते हैं, लेकिन प्रत्येक वर्ग के लिए केवल कुछ रिकॉर्ड होते हैं। इस तरह के डेटासेट के एक उदाहरण के रूप में, उन्होंने ओमनिग्लॉट का हवाला दिया - 50 अक्षर, 1623 कक्षाएं और औसतन प्रति वर्ग 20 चित्र से हस्तलिखित अक्षर। लेकिन वास्तव में, इस परिप्रेक्ष्य में, आप अनुशंसा कार्यों के डेटासेट पर भी विचार कर सकते हैं, जब हमारे पास बहुत सारे उपयोगकर्ता हैं और उनमें से प्रत्येक के लिए व्यक्तिगत रूप से इतने सारे रेटिंग नहीं हैं।

ऐसी स्थिति में एमएल के लिए जीवन को आसान बनाने के लिए क्या किया जा सकता है? सबसे पहले। इसमें विषय क्षेत्र से ज्ञान लाने का प्रयास करें। यह विभिन्न रूपों में किया जा सकता है: यह सुविधाओं की इंजीनियरिंग, और विशिष्ट नियमितीकरण, और नेटवर्क वास्तुकला का परिशोधन है। एक और आम समाधान है स्थानांतरण सीखना, मुझे लगता है कि लगभग सभी लोग जिन्होंने चित्रों के साथ काम किया, उनके डेटा से कुछ इमेजनेट को अपग्रेड करके शुरू किया। ओम्निग्लोट के मामले में, हस्तांतरण के लिए प्राकृतिक दाता MNIST होगा।

स्थानांतरण का एक रूप मल्टी-टास्क लर्निंग हो सकता है, जिसके बारे में केडीडी से कई बार बात की गई है। एमटीएल के विकास को मेटा लर्निंग अप्रोच माना जा सकता है - विभिन्न प्रकार के कार्यों से नमूनों पर एल्गोरिथ्म का प्रशिक्षण करके, हम केवल पैरामीटर ही नहीं, बल्कि हाइपरपरमेटर्स भी ले सकते हैं (बेशक, केवल अगर हमारी प्रक्रिया अलग है)।

बहु-कार्य के विषय को जारी रखते हुए, हम आजीवन निरंतर सीखने की अवधारणा पर आ सकते हैं, जिसे रोबोटिक्स के उदाहरण से सबसे स्पष्ट रूप से दिखाया जा सकता है। रोबोट को विभिन्न समस्याओं को हल करने में सक्षम होना चाहिए, और पिछले अनुभव का उपयोग करने के लिए एक नया कार्य सीखने के दौरान। लेकिन आप इस दृष्टिकोण को ओम्निग्लोट के उदाहरण के साथ विचार कर सकते हैं: किसी एक अक्षर को सीखने के बाद, आप संचित अनुभव का उपयोग करके, अगले को सीखने के लिए आगे बढ़ सकते हैं। सच है, एक खतरनाक भयावह भूलने की समस्या हमें इस रास्ते पर इंतजार करती है, जब एल्गोरिथ्म यह भूलना शुरू कर देता है कि उसने पहले क्या सीखा है (इसका मुकाबला करने के लिए, यह ईडब्ल्यूसी को नियमित करने की सलाह देता है)।

इसके अलावा, स्पीकर ने इस दिशा में उनके कई कामों के बारे में बताया।
तंत्रिका प्रक्रियाएं (तंत्रिका नेटवर्क के लिए गॉसियन प्रक्रिया का एक सादृश्य) और डिस्टिल एंड ट्रांसफर लर्निंग (मामले के लिए स्थानांतरण सीखने का अनुकूलन जब हम पहले प्रशिक्षित मॉडल को आधार के रूप में नहीं लेते हैं, लेकिन बहु-कार्य मोड में हमारा प्रशिक्षण करते हैं)।

छवियाँ और ग्रंथों

आज मैंने पाठ, छवियों और वीडियो के साथ काम करने के बारे में सुबह में, लागू रिपोर्टों पर चलने का फैसला किया।

कॉर्पस रूपांतरण सेवा

प्रकाशनों की आवृत्ति बहुत तेज़ी से बढ़ रही है, इसके साथ काम करना मुश्किल है, विशेष रूप से इस तथ्य पर विचार करते हुए कि लगभग पूरी खोज पाठ में आयोजित की जाती है। आईबीएम वैज्ञानिक ज्ञान 3.0 बाड़ों को चिह्नित करने के लिए अपनी सेवाएं प्रदान करता है । मुख्य वर्कफ़्लो इस तरह दिखता है:

• पार्सिम पीडीएफ, चित्रों में पाठ को पहचानें।
• हम जांचते हैं कि क्या इस प्रकार के पाठ के लिए कोई मॉडल है, यदि हां, तो हम इसके साथ एक शब्दार्थ निकालते हैं।
• यदि कोई मॉडल नहीं है, तो हम एनोटेशन और ट्रेन के लिए भेजते हैं।

मॉडल को प्रशिक्षित करने के लिए, हम संरचना द्वारा क्लस्टरिंग के साथ शुरू करते हैं। क्राउडसोर्सिंग का उपयोग कर एक क्लस्टर के भीतर, हम कई पृष्ठों को लेआउट करते हैं। यह 200-300 दस्तावेजों के अंकन पर प्रशिक्षण के दौरान सटीकता> 98% प्राप्त करने के लिए निकलता है। मार्कअप में एक मजबूत वर्ग असंतुलन है (लगभग सब कुछ पाठ के रूप में चिह्नित किया गया है), इसलिए आपको सभी वर्गों की सटीकता और भ्रम मैट्रिक्स को देखने की आवश्यकता है।

मॉडल में एक पदानुक्रमित संरचना होती है। उदाहरण के लिए, एक मॉडल एक तालिका को पहचानता है, और दूसरी पंक्ति / कॉलम / हेडर में कटौती करता है (और हाँ, तालिका को तालिका में नेस्ट किया जा सकता है)। एक मॉडल के रूप में, एक दृढ़ नेटवर्क का उपयोग किया जाता है।

इस सब के लिए, उन्होंने कुबेरनेट्स के साथ डॉकर पर एक संदेशवाहक को इकट्ठा किया और एक उचित शुल्क के लिए आपके पाठ कॉर्पस को डाउनलोड करने के लिए तैयार हैं। वे न केवल पाठ पीडीएफ के साथ काम कर सकते हैं, बल्कि स्कैन के साथ भी; वे प्राच्य भाषाओं का समर्थन करते हैं। केवल पाठ को बाहर निकालने के अलावा, वे ज्ञान ग्राफ को निकालने पर काम कर रहे हैं, वे अगले केडीडी पर विवरण बताने का वादा करते हैं।

सर्च एडवरटाइजिंग में जनरेटिव एडवरसरी नेटवर्क्स के माध्यम से दुर्लभ क्वेरी विस्तार

खोज इंजन विज्ञापन से सबसे अधिक पैसा कमाते हैं, और उपयोगकर्ता जो खोज रहा है उसके आधार पर विज्ञापन दिखाया जाता है। लेकिन तुलना हमेशा स्पष्ट नहीं होती है। उदाहरण के लिए, एयरलाइंस टिकट के अनुरोध पर, सस्ते बस टिकट विज्ञापन प्रदर्शित करना बहुत सही नहीं है, लेकिन एक्सपीडिया अच्छा करेगा, लेकिन आप इसे कीवर्ड द्वारा नहीं समझ सकते हैं। मशीन लर्निंग मॉडल मदद कर सकते हैं, लेकिन वे दुर्लभ प्रश्नों के साथ अच्छी तरह से काम नहीं करते हैं।

इस समस्या को हल करने के लिए, खोज क्वेरी का विस्तार करने के लिए, हम अनुक्रम-से-अनुक्रम मॉडल के अनुसार सशर्त GAN को प्रशिक्षित करेंगे । हम आवर्तक नेटवर्क (2-परत GRU) का उपयोग वास्तुकला के रूप में करते हैं। हम GAN से मिनट-अधिकतम को संशोधित कर रहे हैं, इसे उन कीवर्ड को जोड़ने के लिए लक्षित करने की कोशिश कर रहे हैं जिनके लिए विज्ञापनों पर क्लिक थे।



14 मिलियन प्रश्नों और 4 मिलियन विज्ञापन कीवर्ड पर प्रशिक्षण के लिए डेटासेट। प्रस्तावित मॉडल अनुरोध की लंबी पूंछ पर बेहतर काम करता है, जिसके लिए यह किया गया था। लेकिन सिर में, प्रदर्शन अधिक नहीं है।

वीडियो अंडरस्टैंडिंग के लिए सहयोगी डीप मैट्रिक लर्निंग

यह कार्य Google AI के लोगों द्वारा प्रस्तुत किया गया है। वे अच्छे वीडियो एम्बेडिंग का निर्माण करना चाहते हैं और फिर उन्हें समान वीडियो, सिफारिशों, स्वचालित एनोटेशन आदि में उपयोग करते हैं। यह निम्नानुसार काम करता है:

• वीडियो से, हम फ़्रेम का नमूना लेते हैं - एक तस्वीर और ऑडियो ट्रैक का एक टुकड़ा।
• हम उन तस्वीरों से सुविधाएँ निकालते हैं जो पहले सीखा गया था।
• हम ऑडियो टुकड़े के साथ भी ऐसा ही करते हैं (विशिष्ट नेटवर्क आर्किटेक्चर नहीं दिखाया गया था)। प्राप्त संकेतों पर हम तख्ते द्वारा खींचने के साथ पूरी तरह से जुड़े मेषों को लटकाते हैं। हम L2 द्वारा सामान्य करते हैं।
• अगला, एक दिलचस्प बिंदु - हम यह सुनिश्चित करने की कोशिश कर रहे हैं कि समान वीडियो सहयोगी समानता के संदर्भ में करीब हैं। ऐसा करने के लिए, हम प्रशिक्षण में ट्रिपल लॉस का उपयोग करते हैं (हम एक ऑब्जेक्ट लेते हैं, इसे समान और असमानता का नमूना देते हैं, हम यह सुनिश्चित करते हैं कि डिसिमिलर के एम्बेडिंग मूल से समान हैं)। यह मत भूलो कि आपको नकारात्मक खनन का उपयोग करने की आवश्यकता है।

उनका उपयोग समान वीडियो में एक ठंडी शुरुआत के लिए किया जाता है, लेकिन कुछ समस्याएं हैं: दृश्य समानता से, वे किसी अन्य विषय पर वीडियो या किसी अन्य विषय पर वीडियो पा सकते हैं (विशेष रूप से वीडियो प्रारूप "बोर्ड और व्याख्याता" के लिए प्रासंगिक)। आपको वीडियो के बारे में अतिरिक्त मेटा-जानकारी का उपयोग करने की सलाह देते हैं।

सिफारिशों के साथ एक समस्या है: आपको ब्राउज़िंग इतिहास और Youtube से 5 बिलियन वीडियो का मिलान करने की आवश्यकता है। कार्य को गति देने के लिए, हम उपयोगकर्ता को देखे गए वीडियो के औसत एम्बेडिंग के वेक्टर की गणना करते हैं। Movielens पर जाँच की, विश्लेषण के लिए यूट्यूब से ट्रेलरों बाहर पंप। उन्होंने दिखाया कि कम संख्या में उपयोगकर्ताओं के लिए यह बेहतर काम करता है।

वीडियो एनोटेशन समस्या में, विशेषज्ञों के दृष्टिकोण के मिश्रण का उपयोग किया जाता है: वे प्रत्येक संभावित एनोटेशन के लिए एम्बेडिंग के लिए लॉगग्राम पर प्रशिक्षण देते हैं। Youtube-8 पर जाँच की और एक बहुत अच्छा परिणाम दिखाया।

एएमिनर में नाम विच्छेद: लूप में क्लस्टरिंग, रखरखाव और मानव

AMiner - अकादमी के लिए एक ग्राफ, साहित्य के साथ काम करने के लिए विभिन्न सेवाएं प्रदान करता है। समस्याओं में से एक: लेखकों और संस्थाओं के नामों की टक्कर। समाधान के लिए सक्रिय सीखने के कुछ रूप के साथ एक स्वचालित एल्गोरिथ्म की पेशकश की जाती है।

प्रक्रिया में तीन चरण होते हैं: एक पाठ खोज का उपयोग करके, हम उम्मीदवारों (लेखकों के समान नामों के साथ दस्तावेज), क्लस्टर (क्लस्टर की संख्या के स्वत: निर्धारण के साथ) और प्रोफाइल बनाते हैं।



क्लस्टरिंग में समानता पर विचार करने के लिए, आपको किसी प्रकार की प्रस्तुति (उत्सर्जक) की आवश्यकता होती है। इसे वैश्विक मॉडल (ग्राफ के दौरान) या स्थानीय (उन उम्मीदवारों के लिए) का उपयोग करके प्राप्त किया जा सकता है जिन्होंने नमूना लिया था)। वैश्विक कैच पैटर्न जो नए दस्तावेजों में स्थानांतरित किए जा सकते हैं, और स्थानीय व्यक्तिगत विशेषताओं को ध्यान में रखने में मदद करता है - हम गठबंधन करेंगे। वैश्विक एम्बेडिंग प्राप्त करने के लिए, वे ट्रिपल नुकसान में प्रशिक्षित स्याम देश के नेटवर्क का उपयोग करते हैं, और स्थानीय लोगों के लिए - एक ग्राफ ऑटो-एनकोडर (मैंने अंतरिक्ष को बचाने के लिए लेख में चित्र छोड़ दिए)।

सबसे दर्दनाक सवाल यह है कि मेरे पास कितने क्लस्टर हैं? एक्स-साधन के दृष्टिकोण में बड़ी संख्या में क्लस्टर नहीं होते हैं; आरएनएन का उपयोग उनकी संख्या की भविष्यवाणी करने के लिए किया जाता है: के समूहों को एक चिह्नित सेट से नमूना किया जाता है, फिर इन समूहों से एन उदाहरण। वे प्रारंभिक समूहों की संख्या को प्रकट करने के लिए नेटवर्क को प्रशिक्षित करते हैं।



डेटा जल्दी से पर्याप्त आता है, एक महीने में 500 हजार, लेकिन पूरे मॉडल को चलाने के लिए सप्ताह लगते हैं। त्वरित आरंभ के लिए, वे वैश्विक खोज के लिए पाठ खोज और IPN के लिए उम्मीदवारों के चयन का उपयोग करते हैं। एक महत्वपूर्ण बिंदु: जो लोग क्लस्टर में क्या होना चाहिए और क्या नहीं, इसे चिह्नित करते हैं, जो सीखने की प्रक्रिया में शामिल हैं। इस डेटा पर, मॉडल को वापस रखा गया है।

रोसेटा: छवियों में पाठ का पता लगाने और मान्यता के लिए बड़े पैमाने पर प्रणाली

एफबी के लोग चित्रों से ग्रंथों को निकालने के लिए अपना समाधान प्रस्तुत करेंगे । मॉडल दो चरणों में काम करता है: पहला नेटवर्क पाठ को निर्धारित करता है, दूसरा इसे पहचानता है। फास्टर-आरसीएनएन को काम को गति देने के लिए सुफलनेट के साथ रेसनेट के प्रतिस्थापन के साथ एक डिटेक्टर के रूप में उपयोग किया गया था । मान्यता के लिए, उन्होंने ResNet18 का उपयोग किया और सीटीसी नुकसान का उपयोग करके प्रशिक्षित किया।



अभिसरण को बेहतर बनाने के लिए, हमने कई तरकीबें इस्तेमाल कीं:

• प्रशिक्षण के दौरान, डिटेक्टर के परिणाम में एक छोटा शोर पेश किया गया था।
• ग्रंथों को क्षैतिज रूप से 20% तक बढ़ाया गया था।
• हमने पाठ्यक्रम सीखने का उपयोग किया - धीरे-धीरे जटिल उदाहरण (वर्णों की संख्या से)।

प्राकृतिक विज्ञान

सम्मेलन में अंतिम सामग्री अनुभाग "प्राकृतिक विज्ञान" के लिए समर्पित था। थोड़ा सा रसायन विज्ञान, फुटबॉल और अधिक।

ऑनलाइन नियंत्रित प्रयोग के लिए झूठी डिस्कवरी दर नियंत्रित उपचार प्रभाव का पता लगाना

ए / बी परीक्षणों के विश्लेषण पर बहुत दिलचस्प काम । अधिकांश विश्लेषण प्रणालियों के साथ समस्या यह है कि वे औसत प्रभाव को देखते हैं, जबकि वास्तव में, अधिकांश अक्सर कुछ उपयोगकर्ता सकारात्मक और कुछ नकारात्मक रूप से परिवर्तन पर प्रतिक्रिया करते हैं, और अधिक प्राप्त किया जा सकता है यदि आप समझते हैं कि कौन सुविधा में गया और कौन कोई।


आप उपयोगकर्ताओं को पहले से ही सहकर्मियों में विभाजित कर सकते हैं और उनके द्वारा प्रभाव का मूल्यांकन कर सकते हैं, लेकिन सहकर्मियों की संख्या में वृद्धि के साथ, झूठी सकारात्मकता की संख्या बढ़ जाती है (आप बोनफरोनी विधि का उपयोग करके उन्हें कम करने की कोशिश कर सकते हैं, लेकिन यह बहुत रूढ़िवादी है)। इसके अलावा, आपको पहले से ही गोरों को जानना होगा। लोग कई दृष्टिकोणों के संयोजन का उपयोग करने का सुझाव देते हैं: झूठे सकारात्मक फ़िल्टरिंग विधियों के साथ विषम प्रभाव पहचान तंत्र (HTE) को मिलाएं।

विषम प्रभाव का पता लगाने के लिए, x=0/1 0/1 (समूह में या नहीं) के साथ एक मैट्रिक्स और प्रभाव एक मैट्रिक्स में बदल जाता है, जिसमें 0/1 बजाय संख्या (x — p)/p(1-p) निहित होती है, जहां p को शामिल किए जाने की संभावना है। परीक्षण। अगला, x (रैखिक या लासो प्रतिगमन) के प्रभाव की भविष्यवाणी करने के लिए एक मॉडल सिखाया जाता है। वे उपयोगकर्ता जिनके लिए परिणाम पूर्वानुमान से काफी अलग है, एक "विषम" प्रभाव में अलग होने के लिए उम्मीदवार हैं।

अगला, हमने झूठे सकारात्मक फिल्टर के लिए दो तरीकों की कोशिश की: बेंजामिनी-होचबर्ग और नॉकऑफ़ । पहला लागू करने के लिए बहुत आसान है, लेकिन दूसरा अधिक लचीला है और अधिक दिलचस्प परिणाम दिखाया गया है।

विजेता का अभिशाप: ऑनलाइन नियंत्रित प्रयोगों में सुविधाओं के कुल प्रभावों के लिए पूर्वाग्रह आकलन

AirBnB के लोगों ने प्रयोग विश्लेषण प्रणाली में सुधार के बारे में थोड़ी बात की। मुख्य समस्या यह है कि बहुत सारे पूर्वाग्रहों के साथ प्रयोग करते समय, हमने इस काम में चयन पूर्वाग्रह पर विचार किया - हम सर्वोत्तम देखे गए परिणाम के साथ प्रयोगों का चयन करते हैं, लेकिन इसका मतलब है कि हम अक्सर उन प्रयोगों का चयन करेंगे जिनमें मनाया गया परिणाम वास्तविक के सापेक्ष बहुत अधिक है।

नतीजतन, प्रयोगों के संयोजन के समय, अंतिम प्रभाव प्रयोगों के प्रभावों के योग से कम होता है। लेकिन इस पूर्वाग्रह को जानते हुए, आप सांख्यिकीय तंत्र का उपयोग करके इसका मूल्यांकन और घटाव करने की कोशिश कर सकते हैं (यह मानते हुए कि वास्तविक और देखे गए प्रभावों के बीच का अंतर सामान्य रूप से वितरित किया जाता है)। संक्षेप में, कुछ इस तरह:



और यदि आप बूटस्ट्रैप जोड़ते हैं, तो आप प्रभाव के निष्पक्ष अनुमान के लिए आत्मविश्वास अंतराल भी बना सकते हैं।

स्पेटो-टेम्पोरल सॉकर मैच डेटा में टैक्टिक्स की स्वचालित डिस्कवरी

फुटबॉल टीमों की रणनीति के प्रकटीकरण पर दिलचस्प काम । मिलान डेटा क्रियाओं के अनुक्रम (पास / टच / हिट, आदि) के रूप में उपलब्ध है, प्रति मैच लगभग 2000 क्रिया। निरंतर (निर्देशांक / समय) और असतत (खिलाड़ी) विशेषताओं को मिलाएं। विषय क्षेत्र के ज्ञान का उपयोग करके डेटा का विस्तार करना महत्वपूर्ण है (उदाहरण के लिए खिलाड़ी की भूमिका और पास का प्रकार जोड़ें), लेकिन यह हमेशा काम नहीं करता है। इसके अलावा, विभिन्न प्रकार के उपयोगकर्ता विभिन्न प्रकार के पैटर्न में रुचि रखते हैं: कोच - सफल, स्ट्राइकर - रक्षात्मक, पत्रकार - अद्वितीय।

प्रस्तावित विधि इस प्रकार है:

• टीमों के बीच गेंद के संक्रमण के लिए प्रवाह को चरणों में विभाजित करें।
• दूरी के रूप में गतिशील समय का उपयोग करके क्लस्टर चरण। समूहों की संख्या का निर्धारण कैसे किया जाता है, नहीं बताया गया है।
• हम उद्देश्य से क्लस्टर्स रैंक करते हैं (जिनके लिए हम रणनीति की तलाश कर रहे हैं)।
• हम क्लस्टर (क्रमिक पैटर्न खनन CM-SPADE ) के अंदर पैटर्न को कम करते हैं, हम निर्देशांक को फ़ील्ड सेगमेंट (बाएं / दाएं फ्लैंक, मध्य, दंड) के अनुसार रेगिस्तान करते हैं।
• पैटर्न को फिर से रैंक करें।

कमजोर पर्यवेक्षित सीखने के लिए नियम-आधारित लेबल का उपयोग करना: हस्तांतरणीय रासायनिक संपत्ति P के लिए एक रसायन

उन स्थितियों के लिए काम करें जब कोई बड़ा डेटा नहीं है, लेकिन पदानुक्रमित नियमों के साथ सैद्धांतिक मॉडल हैं। सिद्धांत का उपयोग करते हुए, हम एक "विशेषज्ञ" तंत्रिका नेटवर्क का निर्माण करते हैं। वांछित गुणों के साथ रासायनिक यौगिकों के विकास के कार्य के लिए लागू।

मैं चित्रों के साथ सादृश्य द्वारा, एक नेटवर्क प्राप्त करना चाहूंगा जिसमें परतें अमूर्तता के विभिन्न स्तरों के अनुरूप होंगी: परमाणु / कार्यात्मक समूह / टुकड़े / अणु। अतीत में, बड़े लेबल किए गए डेटासेट के लिए दृष्टिकोण थे, उदाहरण के लिए, SMILE2Vect: पाठ में सूत्रों का अनुवाद करने के लिए SMILE का उपयोग करें, और फिर ग्रंथों के लिए एम्बेडिंग के निर्माण के लिए तकनीक लागू करें।

लेकिन क्या होगा अगर कोई बड़ा चिह्नित डेटासेट नहीं है? हम उन लक्ष्यों के लिए RDKit का उपयोग करके ChemNet सिखाते हैं जो यह भविष्यवाणी कर सकते हैं, और फिर हम समस्या को हल करने के लिए स्थानांतरण सीखने करते हैं। हम दिखाते हैं कि हम लेबल किए गए डेटा पर प्रशिक्षित मॉडल के साथ प्रतिस्पर्धा कर सकते हैं। आप परतों में सीख सकते हैं, जिसका अर्थ है लक्ष्य प्राप्त करना - अमूर्त के स्तर से परतों को तोड़ना।

प्रीपीपी - पैन परख हस्तक्षेप यौगिकों की पहचान और विशेषता के लिए एक उपकरण

हम उम्मीदवारों का चयन करने के लिए ड्रग्स विकसित करते हैं , डेटा साइंस का उपयोग करते हैं। ऐसे अणु होते हैं जो कई पदार्थों के साथ प्रतिक्रिया करते हैं। उनका उपयोग दवाओं के रूप में नहीं किया जा सकता है, लेकिन अक्सर परीक्षण के प्रारंभिक चरणों में पॉप अप होता है। ये PAINS अणु हैं जिन्हें हम फ़िल्टर करेंगे।

कठिनाइयाँ हैं: डेटा को डिस्चार्ज किया जाता है और अभिमानी (107 हजार), कक्षाएं असंतुलित होती हैं (सकारात्मक 0.5%), और रसायनज्ञ एक व्याख्या किए गए मॉडल को प्राप्त करना चाहते हैं। अणु और रासायनिक उंगलियों के निशान के ग्राफ संरचना ( gSpan ) से डेटा को मिलाएं । वे नकारात्मक अण्डरपासिंग द्वारा संतुलन के साथ संघर्ष करते थे, पेड़ों को पढ़ाया जाता था, बहुसंख्यक वोटों द्वारा एकत्रित पूर्वानुमान।