.png){kind=icon}
返回
A Simple Framework for Collaborative Development of Predictive Models Trained on Proprietary Data
.png){kind=icon}
PRE
AI
DOI：10.1021/acs.jcim.5c02068.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种简单的方法，该方法允许在不泄露训练序列结构机密性的前提下构建和共享预测模型。多个共享模型可用于构建集成模型，提供对化学空间的更好覆盖和优于原始模型的预测结果。该方法在一个合作项目中得到验证，其中四家制药和化工公司为AMES致突变性终点开发了预测模型，并共享这些模型以使用逻辑和机器学习算法构建集成模型。结果经过系统分析和比较，显示出预测质量的明显提升。该方法的优势在于执行简单，仅使用开源软件，并能够审计整个流程和交换文件，以确保公司设施内没有机密信息被导出。
Keyword:
QSAR
期刊
IF:
5.3
论文数:
9.1K
被引数:
4.0W
机构
引用论文
.png){kind=icon}
分享收藏MELLODDY: Cross-pharma Federated Learning at Unprecedented Scale Unlocks Benefits in QSAR without Compromising Proprietary InformationMELLODDY: 跨制药联合学习以前所未有的规模在不损害专有信息的情况下解锁QSAR的好处
OAAI
OAAI分享收藏分享收藏Flame: an open source framework for model development, hosting, and usage in production environmentsOAAI
OAAI分享收藏
查看更多内容