相关实验视频
Updated: Jun 15, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
368
层次图的注意网络,带有积极和消极的注意,以提高可解释性:ISA-PN
Jinyong Park1, Minhi Han1, Kiwoong Lee1
1Department of Chemistry and Research Institute for Natural Science, Korea University, Seoul 02841, Korea.
Journal of chemical information and modeling
|December 9, 2024
概括
本研究引入了一个可解释的子图注意力 (ISA) 网络,具有正和负流 (ISA-PN),以提高化学中的深度学习 (DL) 模型的可解释性. 通过量化亚结构贡献,ISA-PN模型增强了对分子结构-性质关系的理解.
科学领域:
- 计算化学是一种计算化学.
- 材料科学是一种材料科学.
- 化学领域的人工智能
背景情况:
- 深度学习 (DL) 模型正在推进化学和材料科学.
- 解释DL模型对于理解分子结构与属性关系至关重要.
- 目前的注意力机制对分子子结构的解释能力有限.
研究的目的:
- 开发一种多功能细分方法和一个可解释的子图注意力 (ISA) 网络.
- 通过DL提高对分子结构与性质关系的理解.
- 提高DL模型在化学应用中的可解释性.
主要方法:
- 引入了一种多功能细分方法.
- 开发了一个可解释的子图注意力 (ISA) 网络,具有正和负流 (ISA-PN).
- 使用水溶性,脂友性和化温度的数据集验证的ISA模型.
主要成果:
- 该ISA-PN模型通过积极和消极的注意力评分来量化分子亚结构的贡献.
- 与ISA和GC-Net相比,ISA-PN显示了显著改善的解释性.
- 保持与现有模型相似的准确度水平,同时提高可解释性.
结论:
- ISA-PN模型提供了对亚结构对分子性质的贡献有意义的见解.
- 这项工作提高了DL模型在化学应用中的可解释性.
- ISA-PN模型对于阐明定量分子结构与性质关系是有效的.
