PulseAugur
中
实时 08:43:10

Asymmetric Focal Loss Boosts GNN Drug-Drug Interaction Prediction

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种不对称焦点损失函数，以提高图神经网络（GNN）在药物-药物相互作用（DDIs）预测方面的准确性。这种新颖的目标函数被集成到一个关系感知图卷积网络中，优先处理难以分类的阳性相互作用。与标准的二元交叉熵相比，不对称焦点损失在准确率、F1分数、AUROC和AUCPR等关键指标上显著提高，同时大幅降低了假阴性率和总体分类误差。 AI

影响 这项研究提供了一种新的优化技术，可以提高AI模型在预测关键药物相互作用方面的可靠性。

排序理由 该集群包含一篇研究论文，详细介绍了一种改进GNN在特定任务上性能的新方法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

Asymmetric Focal Loss Boosts GNN Drug-Drug Interaction Prediction

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Faranak Hatami, Mousa Moradi ·

    Asymmetric Focal Loss Improves Graph Neural Network Prediction of Drug-Drug Interactions

    arXiv:2607.07611v1 Announce Type: new Abstract: Background: Graph neural networks improve computational prediction of polypharmacy side effects, but standard binary cross-entropy training allocates equal capacity to well-classified and difficult examples, potentially missing clin…

  2. arXiv cs.LG TIER_1 English(EN) · Mousa Moradi ·

    Asymmetric Focal Loss Improves Graph Neural Network Prediction of Drug-Drug Interactions

    Background: Graph neural networks improve computational prediction of polypharmacy side effects, but standard binary cross-entropy training allocates equal capacity to well-classified and difficult examples, potentially missing clinically significant interactions. We evaluated wh…

相关实体

相关话题