Fast Dual-Regularized Autoencoder for Sparse Biological Data

要約

疎なデータからの関係の推論は、製品の推奨から創薬に至るまでのアプリケーションにおいて重要なタスクです。
最近提案された疎行列補完用の線形モデルは、より洗練されたレコメンダー システム アルゴリズムと比較して、速度と精度において驚くべき利点を実証しました。
ここでは、線形モデルを拡張して、二重近傍正則化行列補完問題用の浅いオートエンコーダーを開発します。
私たちは、薬物と標的の相互作用および薬物と疾患の関連性を予測する際に、既存の最先端技術を上回る当社のアプローチの速度と精度の利点を実証します。

要約(オリジナル)

Relationship inference from sparse data is an important task with applications ranging from product recommendation to drug discovery. A recently proposed linear model for sparse matrix completion has demonstrated surprising advantage in speed and accuracy over more sophisticated recommender systems algorithms. Here we extend the linear model to develop a shallow autoencoder for the dual neighborhood-regularized matrix completion problem. We demonstrate the speed and accuracy advantage of our approach over the existing state-of-the-art in predicting drug-target interactions and drug-disease associations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google