Submitted 27 August, 2024; originally announced August 2024. , Comments: Paper Accepted at Workshop on Robustness of Few-shot and Zero-shot Learning in Foundation Models at NeurIPS 2023
توضیحات به فارسی
ارسال شده در 27 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: مقاله پذیرفته شده در کارگاه استحکام یادگیری چند عکس و صفر در مدلهای پایه در Neurips 2023
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
In the field of chemistry, the objective is to create novel molecules with desired properties, facilitating accurate property predictions for applications such as material design and drug screening. However, existing graph deep learning methods face limitations that curb their expressive power. To address this, we explore the integration of vast molecular domain knowledge from Large Language Models (LLMs) with the complementary strengths of Graph Neural Networks (GNNs) to enhance performance in property prediction tasks. We introduce a Multi-Modal Fusion (MMF) framework that synergistically harnesses the analytical prowess of GNNs and the linguistic generative and predictive abilities of LLMs, thereby improving accuracy and robustness in predicting molecular properties. Our framework combines the effectiveness of GNNs in modeling graph-structured data with the zero-shot and few-shot learning capabilities of LLMs, enabling improved predictions while reducing the risk of overfitting. Furthermore, our approach effectively addresses distributional shifts, a common challenge in real-world applications, and showcases the efficacy of learning cross-modal representations, surpassing state-of-the-art baselines on benchmark datasets for property prediction tasks.
چکیده به فارسی (ترجمه ماشینی)
در زمینه شیمی ، هدف ایجاد مولکول های جدید با خواص مورد نظر ، تسهیل پیش بینی های دقیق خاصیت برای برنامه هایی مانند طراحی مواد و غربالگری دارو است.با این حال ، روش های یادگیری عمیق نمودار موجود با محدودیت هایی روبرو هستند که قدرت بیانگر آنها را مهار می کند.برای پرداختن به این موضوع ، ما ادغام دانش دامنه گسترده مولکولی را از مدلهای بزرگ زبان (LLM) با نقاط قوت مکمل شبکه های عصبی نمودار (GNN) بررسی می کنیم تا عملکرد در کارهای پیش بینی خاصیت را افزایش دهد.ما یک چارچوب همجوشی چند حالته (MMF) را معرفی می کنیم که به طور هم افزایی از قدرت تحلیلی GNN ها و توانایی های تولیدی و پیش بینی زبانی LLM ها استفاده می کند ، در نتیجه باعث بهبود دقت و استحکام در پیش بینی خصوصیات مولکولی می شود.چارچوب ما اثربخشی GNN ها را در مدل سازی داده های ساخته شده از نمودار با قابلیت های یادگیری صفر و چند عکس از LLM ها ترکیب می کند و پیش بینی های بهبود یافته را در ضمن کاهش خطر ابتلا به بیش از حد امکان پذیر می کند.علاوه بر این ، رویکرد ما به طور مؤثر به تغییرات توزیع ، یک چالش مشترک در برنامه های دنیای واقعی می پردازد ، و اثربخشی یادگیری بازنمایی های متقاطع را نشان می دهد ، و از خطوط پیشرفته در مجموعه داده های معیار برای کارهای پیش بینی خاصیت فراتر می رود.
📚 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
