多终点ADMET主动学习基准评测
热点事件历史事件
多终点ADMET主动学习基准评测
1 篇报道1 个报道来源10 天前更新
先了解这件事
AI 综述
Najdovski等作者发布预印本，在八个ADMET回归终点上对七种采集策略与Deep Ensembles、MC Dropout两种不确定性方法做了协议匹配的基准评测，并采用严格化学型划分考察对未见化学组的泛化。 结果显示，主动学习的收益取决于终点和策略：溶解度终点的有利模式最广，多样性感知方法在各终点表现最稳定。Deep Ensembles在56组匹配比较中的45组平均RMSE低于MC Dropout，但这一预测优势并未稳定转化为更好的采集效果。 作者的事后分析将这一脱节与不确定性和误差对齐较弱、所选批次化学型覆盖下降联系起来。
AI 根据报道生成 · 9 天前更新
最新进展10月30日 08:00
主动学习何时能改善ADMET预测？一项多终点基准研究报道时间线
沿着报道，了解事件的不同侧面。
10月30日
- bioRxiv · Bioinformatics精选主动学习何时能改善ADMET预测？一项多终点基准研究
该预印本在八个ADMET回归终点上，对七种采集策略与Deep Ensembles、MC Dropout两种不确定性方法做了协议匹配的基准评测，并采用严格化学型划分考察对未见化学组的泛化。
本事件热度走势
- 可比范围当前
- 2
- 可比范围峰值
- 511月2日 02:00
- 近 24 小时变化
- -20%
0246
11月3日11月4日11月5日11月6日
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。