arXiv · 08.07.2026 ·Машинное обучение

Асимметричная функция потерь повышает точность GNN в прогнозировании взаимодействий лекарств

Исследователи представили метод улучшения графовых нейронных сетей (GNN) для предсказания побочных эффектов при приеме нескольких лекарств одновременно. Использование асимметричной функции потерь (Asymmetric Focal Loss) вместо стандартной бинарной кросс-энтропии позволяет модели эффективнее фокусироваться на сложных клинически значимых взаимодействиях, которые часто игнорируются при обучении на несбалансированных наборах данных.

Традиционные подходы к обучению GNN часто распределяют вычислительные ресурсы равномерно между простыми и сложными примерами. В контексте фармакологии это приводит к тому, что редкие, но критически важные взаимодействия между препаратами классифицируются с низкой точностью. Новый метод корректирует этот дисбаланс, придавая больший вес труднопредсказуемым случаям, что критически важно для безопасности пациентов при полипрагмазии.

Применение данной техники позволяет значительно повысить чувствительность моделей при выявлении потенциальных лекарственных конфликтов. Это открывает новые возможности для автоматизации этапа доклинических исследований, позволяя быстрее отсеивать опасные комбинации препаратов еще до начала лабораторных испытаний.

Ключевые факты

Метод заменяет стандартную бинарную кросс-энтропию на асимметричную функцию потерь (Asymmetric Focal Loss).
Основная цель — улучшение предсказания побочных эффектов при полипрагмазии (одновременном приеме нескольких лекарств).
Техника решает проблему дисбаланса классов, при которой модель уделяет недостаточно внимания сложным, но клинически важным взаимодействиям.
Подход оптимизирует работу графовых нейронных сетей (GNN) в задачах фармацевтического анализа и разработки лекарств.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Машинное обучение Новый метод оптимизации DSGNAR для обучения физически информированных нейросетей Исследователи представили DSGNAR — фреймворк для оптимизации физически информированных нейронных сетей (PINN). Метод решает проблему плохой обусловленности ландшафта функции потерь, которая препятствует достижению точности классических численных методов при решении дифференциальных уравнений в частных производных. Алгоритм сочетает двойное скетчирование и адаптивное соотношение, обеспечивая масштабируемость и стабильность процесса обучения сложных физических моделей. arXiv · Машинное обучение Новый метод оптимизации градиента для ускорения обучения нейросетей Исследователи представили метод Stochastic Gradient Optimization with Model-Assisted Sampling, направленный на снижение дисперсии при оценке стохастического градиента. Новый подход позволяет эффективнее балансировать между скоростью сходимости и качеством обобщения моделей, минимизируя шум, неизбежно возникающий при использовании стандартных мини-пакетных методов обучения в глубоком обучении. arXiv · Машинное обучение Решение проблемы нестабильности обучения гибридных квантовых нейросетей Исследователи предложили метод стабилизации процесса обучения гибридных квантовых нейронных сетей (QNN), используемых для классификации белков. Основная сложность таких моделей заключается в том, что выходные данные квантовых измерений (логиты) ограничены диапазоном от -1 до 1. При использовании стандартной функции потерь кросс-энтропии в сочетании с нормализацией softmax это ограничение приводит к математической нестабильности и замедлению сходимости алгоритма. arXiv · Исследования и наука Аддитивная архитектура MLP-GNN для прогнозирования растворимости веществ Исследователи представили новый метод глубокого обучения для оценки растворимости химических соединений в воде, критически важного параметра в ранней разработке лекарств. В отличие от стандартных моделей, объединяющих данные в единый вектор, предложенная архитектура разделяет физико-химические дескрипторы и информацию о молекулярных графах, что позволяет интерпретировать вклад каждого компонента в итоговый прогноз. arXiv · Машинное обучение Анализ динамики обучения нейросетей через спектральные свойства матрицы Гессе Исследователи представили новый метод анализа процесса обучения нейронных сетей, основанный на изучении динамики собственных векторов матрицы Гессе. Работа раскрывает, как изменение кривизны ландшафта функции потерь коррелирует с выбором оптимизатора и обобщающей способностью модели. Авторы показывают, что отслеживание смещения и локализации этих векторов позволяет глубже понять механизмы оптимизации и стабильность обучения в глубоких архитектурах. arXiv · Машинное обучение Новый фреймворк для глубокого многозадачного обучения с разнородными данными Исследователи представили фреймворк для многозадачного обучения, решающий проблему несовместимости функций потерь при работе с разнородными типами данных. Метод использует общую разреженность (shared sparsity) для эффективного обмена информацией между задачами, что позволяет объединить разнотипные целевые переменные в единую оптимизационную задачу и повысить точность предсказаний в сложных системах с множественными исходами. arXiv · Машинное обучение Метод автоматической замены фона для повышения устойчивости нейросетей Исследователи представили новый метод борьбы со «случайными корреляциями» в компьютерном зрении, которые заставляют модели опираться на нерелевантные детали фона вместо ключевых объектов. Автоматическая замена фонового изображения в процессе обучения позволяет нейросетям игнорировать контекстный «шум» и фокусироваться на причинно-следственных признаках, что значительно повышает точность классификации при работе с новыми, нетипичными данными. arXiv · Исследования и наука Оптимизация глубины нейросетей через теорию оптимального управления Исследователи предложили новый метод адаптации архитектуры нейронных сетей, основанный на теории оптимального управления. Рассматривая процесс обучения как задачу управления в непрерывном времени, авторы разработали систему апостериорной оценки ошибок. Это позволяет математически точно распределять вычислительную нагрузку по слоям и динамически изменять глубину модели в процессе обучения, повышая эффективность аппроксимации данных. Hacker News · Исследования и наука Новый подход к интерпретируемости нейросетей через блочно-разреженные признаки Исследователи Goodfire представили метод анализа нейронной геометрии в моделях компьютерного зрения, использующий блочно-разреженные признаки (Block-Sparse Featurizers). Подход позволяет декомпозировать сложные представления моделей на интерпретируемые компоненты. Это дает возможность точнее понимать, как именно нейросети классифицируют объекты, и открывает пути для более эффективного управления поведением моделей без необходимости их полного переобучения. arXiv · Исследования и наука Error-Conditioned Neural Solvers: новый подход к решению дифференциальных уравнений Исследователи представили метод Error-Conditioned Neural Solvers, который повышает точность нейросетевых суррогатных моделей при решении дифференциальных уравнений в частных производных (PDE). В отличие от стандартных подходов, рассматривающих задачу как чисто статистическую, новый метод динамически корректирует нарушения физических ограничений, что позволяет моделям эффективнее работать за пределами обучающей выборки и минимизировать остаточные ошибки.

← Все материалы