Предсказание растворимости молекул с помощью графовых сверточных нейросетей

Мы в итоге остановились на default параметрах, потому что при других результат только ухудшался.

Предсказание растворимости молекул с помощью графовых сверточных нейросетей

Кросс-валидация на тренировочной выборке.

Предсказание растворимости молекул с помощью графовых сверточных нейросетей

На самом деле при кросс-валидации подбирались параметры такие какие: размер фингерпринта, латентное пространство полносвязной нейросети и другие. Но вы правы, надо было это более подробно описать в статье.

Предсказание растворимости молекул с помощью графовых сверточных нейросетей

Кросс валидация была использована. Например «GCN with additional features 10 Folds» означает что GCN обученная с дополнительными свойствами из бэйзлайна была обучена и протестирована на 10 фолдах, после чего ошибка была усреднена.

Предсказание растворимости молекул с помощью графовых сверточных нейросетей

К сожалению школа длилась только неделю, а для добавления такого разделения на тренировочную и тестовую выборку у нас ушло бы больше времени, и мы бы не смогли реализовать другие части проекта.

Предсказание растворимости молекул с помощью графовых сверточных нейросетей

Да, вы правы: как и упоминалось в статье, разбиение на тренировочную и тестовую выборку в этой задаче очень важно. Но предсказывать везде среднее в отличие от обучения модели не является масштабируемым подходом, что является важным фактором в пользу метода, описанного в статье. Надеюсь смог ответить на ваш вопрос.