Multi-modal cascade feature transfer for polymer property prediction

要約

この論文では、ポリマー特性予測の特徴転送を備えたマルチモーダルカスケードモデルと呼ばれる新しい転送学習アプローチを提案します。ポリマーは、分子記述子や追加情報、化学構造など、いくつかの異なる形式のデータの複合によって特徴付けられます。
ただし、従来のアプローチでは、各タイプのデータを個別に使用して予測モデルが構築されることがよくありました。
私たちのモデルは、グラフ畳み込みニューラルネットワーク（GCN）と分子記述子や加算情報などの特徴によって化学構造から抽出された特徴を組み合わせることにより、ポリマーの物理的特性のより正確な予測を可能にします。
提案された方法の予測性能は、いくつかのポリマーデータセットを使用して経験的に評価されます。
提案された方法は、単一の機能を使用して、ベースラインの従来のアプローチと比較して高い予測性能を示していると報告しています。

要約(オリジナル)

In this paper, we propose a novel transfer learning approach called multi-modal cascade model with feature transfer for polymer property prediction.Polymers are characterized by a composite of data in several different formats, including molecular descriptors and additive information as well as chemical structures. However, in conventional approaches, prediction models were often constructed using each type of data separately. Our model enables more accurate prediction of physical properties for polymers by combining features extracted from the chemical structure by graph convolutional neural networks (GCN) with features such as molecular descriptors and additive information. The predictive performance of the proposed method is empirically evaluated using several polymer datasets. We report that the proposed method shows high predictive performance compared to the baseline conventional approach using a single feature.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google