一种基于伪标签的半监督少样本学习模型

如何将带有大量标记数据的源域知识模型迁移至带有少量标记数据的目标域是少样本学习研究领域的热点问题.针对现有的少样本学习算法在源域数据与目标域数据的特征分布差异较大时存在的泛化能力较弱的问题,提出一种基于伪标签的半监督少样本学习模型FSLSS（Few-Shot Learning based on Semi-Supervised）.首先,利用pytorch深度学习框架建立一个关系型深度学习网络,并使用源域数据对网络进行预训练;然后,使用此网络对目标域数据进行分类预测,将分类概率最大的类标签作为数据的伪标签;最后,利用目标域的伪标签数据和源域的真实标签数据对网络进行混合训练,并重复伪标签标记与混合训练过程.实验结果表明,相对于现有主流少样本学习算法,FSLSS模型有更好的泛化能力及知识迁移效果.     

基于2D模型的药物小分子筛选方法

基于片段的药物设计(Fragment-Based Drug Design,FBDD)是药物研发的主流方法之一。如何高效从海量药物大数据中筛选出具有相似分子片段的药物小分子成为生物化学研究领域的挑战性问题。针对目前人工筛选耗时长、效率低、药物筛选周期长等问题,提出一种基于2D模型的药物小分子筛选方法(SMS-2D)。利用计算机自动化筛选出与目标分子片段具有相似片段的药物小分子。实验结果表明:SMS-2D方法能高效地筛选出包含与分子片段具有相似片段的小分子。