ترجمه فارسی مقاله فراتر از کارایی: هرس داده های مولکولی برای تعمیم پیشرفته

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Beyond Efficiency: Molecular Data Pruning for Enhanced Generalization
عنوان مقاله به فارسی فراتر از کارایی: هرس داده های مولکولی برای تعمیم پیشرفته
نویسندگان Dingshuo Chen, Zhixun Li, Yuyan Ni, Guibin Zhang, Ding Wang, Qiang Liu, Shu Wu, Jeffrey Xu Yu, Liang Wang
فرمت مقاله انگلیسی PDF
تعداد صفحات 20
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Biomolecules,یادگیری ماشین , هوش مصنوعی , مولکول های زیستی ,
توضیحات Submitted 2 September, 2024; originally announced September 2024. , Comments: 20 pages, under review
توضیحات به فارسی ارسال شده در 2 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 20 صفحه ، در زیر بررسی
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

With the emergence of various molecular tasks and massive datasets, how to perform efficient training has become an urgent yet under-explored issue in the area. Data pruning (DP), as an oft-stated approach to saving training burdens, filters out less influential samples to form a coreset for training. However, the increasing reliance on pretrained models for molecular tasks renders traditional in-domain DP methods incompatible. Therefore, we propose a Molecular data Pruning framework for enhanced Generalization (MolPeg), which focuses on the source-free data pruning scenario, where data pruning is applied with pretrained models. By maintaining two models with different updating paces during training, we introduce a novel scoring function to measure the informativeness of samples based on the loss discrepancy. As a plug-and-play framework, MolPeg realizes the perception of both source and target domain and consistently outperforms existing DP methods across four downstream tasks. Remarkably, it can surpass the performance obtained from full-dataset training, even when pruning up to 60-70% of the data on HIV and PCBA dataset. Our work suggests that the discovery of effective data-pruning metrics could provide a viable path to both enhanced efficiency and superior generalization in transfer learning.

چکیده به فارسی (ترجمه ماشینی)

با ظهور کارهای مختلف مولکولی و مجموعه داده های گسترده ، نحوه انجام آموزش های کارآمد به یک مسئله فوری و در عین حال تحت تأثیر در منطقه تبدیل شده است.هرس داده ها (DP) ، به عنوان یک رویکرد فوق العاده برای صرفه جویی در بارهای آموزش ، نمونه های تأثیرگذار کمتری را برای تشکیل یک هسته برای آموزش فیلتر می کند.با این حال ، اعتماد به نفس فزاینده به مدلهای پیش ساخته برای کارهای مولکولی ، روشهای سنتی DP دامنه را ناسازگار می کند.بنابراین ، ما یک چارچوب هرس داده های مولکولی را برای افزایش تعمیم (MOLPEG) پیشنهاد می کنیم ، که بر سناریوی هرس داده های بدون منبع متمرکز است ، جایی که هرس داده ها با مدل های پیش ساخته اعمال می شود.با حفظ دو مدل با سرعت به روزرسانی مختلف در حین آموزش ، ما یک عملکرد نمره دهی جدید را برای اندازه گیری اطلاع رسانی نمونه ها بر اساس اختلاف ضرر معرفی می کنیم.به عنوان یک چارچوب پلاگین و بازی ، Molpeg درک هر دو دامنه منبع و هدف را درک می کند و به طور مداوم از روشهای DP موجود در چهار کار پایین دست عمل می کند.نکته قابل توجه ، می تواند از عملکرد به دست آمده از آموزش کامل داده ها فراتر رود ، حتی در صورت هرس تا 60-70 ٪ از داده های موجود در مجموعه داده های HIV و PCBA.کار ما نشان می دهد که کشف معیارهای مؤثر در مورد داده ها می تواند مسیری مناسب برای بهره وری پیشرفته و تعمیم برتر در یادگیری انتقال فراهم کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.