权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

Learning to construct novel relational structures of a given class with machine learning algorithms

学习使用机器学习算法构建给定类的新颖关系结构

基本信息

批准号：
149669013
负责人：
Professor Dr. Thomas Gärtner
金额：
--
依托单位：
Institute of Information Systems Engineering
依托单位国家：
德国
项目类别：
Independent Junior Research Groups
财政年份：
2009
资助国家：
德国
起止时间：
2008-12-31 至 2015-12-31
项目状态：
已结题

来源：
https://gepris.dfg.de/gepris/projekt/149669013?language=en
关键词：
Learning construct novel relational structures

项目摘要

In dieser Nachwuchsgruppe untersuchen wir, wie Maschinen lernen können, neue relationale Strukturen zu entwerfen, deren Eigenschaften nur implizit, durch Trainingsbeispiele, gegeben sind. Traditionell werden maschinelle Lernverfahren eingesetzt, um die Eigenschaften vorgegebener Strukturen zu schätzen. In vielen Anwendungen ist das zugrundeliegende Problem allerdings das Inverse des konventionellen maschinellen Lernproblems: Anstatt die Klasse bestimmter Strukturen vorherzusagen, sollen tatsächlich Strukturen mit erwünschten Eigenschaften vorgeschlagen werden. Relationale Strukturen werden sehr häufig benutzt, um die Zusammensetzung komplexer Objekte aus einfacheren Komponenten zu modellieren oder die Veränderung von Objekten in Raum und Zusammensetzung zu beschreiben. Für relationale Strukturen wie zum Beispiel räumliche Routen oder chemische Verbindungen, wurden maschinelle Lernverfahren bereits erfolgreich dazu eingesetzt, die Eigenschaften vorgegebener Strukturen zu schätzen. Zum Beispiel kann vorhergesagt werden, ob eine chemische Substanz gegen eine bestimmte Krankheit wirkt oder ob eine räumliche Route typisch für eine bestimmte Zugvogelart ist. Die eigentliche Herausforderung ist es aber neue, hoch-potente Wirkstoffe aus der Menge aller synthetisierbaren Moleküle vorzuschlagen oder eine möglichst typische Route vorherzusagen. Die Hauptschwierigkeit dieses neuen, konstruktiven Maschinellen Lernens liegt in der großen Zahl möglicher Kandidatstrukturen. Um dieser Schwierigkeit zu begegnen, werden wir effiziente Berechnungsformeln für bestimmte Zählfunktionen herleiten, um neue Lernalgorithmen basierend auf der regularisierten Risikominimierung zu entwickeln. Die beantragte Forschung verspricht, Maschinelles Lernen als eine Schlüsseltechnologie weit über seine bisherigen Grenzen voranzutreiben. Die zu erwartenden Vorteile durch solche Techniken sind sehr weitreichend, da sie für ein großes Spektrum von Anwendungen wie der pharmazeutischen Wirkstoffforschung zu günstigeren und schnelleren Entwicklungen führen können.

在我们的Nachwuchsgruppe中，就像机械学习一样，新的结构关系可以通过培训来实现，但这并不意味着特征。该韦尔登机械Lernverfahren eingesetzt，um die Eigenschaften vorgebener Strukturen zu schätzen.在许多实例中，这一复杂问题被称为常规机械力学问题的逆问题：例如，将最佳的结构模型与最佳的本征值韦尔登模型相结合。该结构韦尔登似乎很好，在空间中由一个组件对物体进行建模或进行Veränderung von Objekten und Zusammensetzung zu beschreiben。Für relationale Strukturen wie zum Beispiel räumliche Routen or der chemische Verbindungen，wurden maschinelle Lernverfahren bereits erfolgreich dazu eingesetzt，die Eigenschaften vorgebener Strukturen zu schätzen. Zum Beispiel kann vorhergesagt韦尔登，ob eine chemische Substanz gegen eine bestimmte Krankshirkt oder ob eine räumliche Route typisch für eine bestimmte Zugvogelart ist. Die eigentliche Herausforderung ist es aber neue，hoch-potente Wirkstoffe aus der Menge阿勒synthetisierbaren Moleküle vorzuschlagen or der eine möglichst typische Route vorherzusagen. Die Hauptschwierigkeit dieses neuen，construktiven Maschinellen Lernens liegt in der greßen Zahl möglicher Kandidatstrukturen. Um dieser Schwierigkeit zu begegnen，韦尔登wir effiziente Berechnungsformeln für bestimmte Zählfunktionen herleiten，um neue Lernalgorithmen basierend auf der regularisierten Risikominimierung zu entwickeln. Die beantragte Forschung verspricht，Maschinelles Lernen als eine Schlüsseltechnologie weit über seine bisherigen Grenzen voranzutreiben. Die zu erwartenden Vorteile durch solche Techniken sind sehr weitreichend，da sie für ein Großes Spektrum von Anwendungen wie der pharmazeutischen Wirkstoffforschung zu günstigeren und schnelleren Entwicklungen führen können.

项目成果

期刊论文数量（4）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

Introducing the ‘active search’ method for iterative virtual screening

引入迭代虚拟筛选的“主动搜索”方法

DOI：
10.1007/s10822-015-9832-9
发表时间：
2015
期刊：
Journal of Computer-Aided Molecular Design
影响因子：
3.5
作者：
Roman Garnett;Thomas Gärtner;Martin Vogt;Jürgen Bajorath
通讯作者：
Jürgen Bajorath

Predicting unexpected influxes of players in EVE online

预测 EVE Online 中玩家的意外涌入

DOI：
10.1109/cig.2014.6932878
发表时间：
2014
期刊：
2014 IEEE Conference on Computational Intelligence and Games
影响因子：
0
作者：
Roman Garnett;Thomas Gärtner;Timothy Ellersiek;Eyjolfur Gudmondsson;Petur Oskarsson
通讯作者：
Petur Oskarsson

Interactive Knowledge-Based Kernel PCA

交互式基于知识的核PCA