.png){kind=icon}
返回
Undersampling Techniques for Nonlinear Chemical Space Visualization
.png){kind=icon}
PRE
AI
DOI：10.1002/minf.70041.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高维化学空间的可视化是理解分子多样性、构效关系以及指导化合物选择的关键工具。然而，非线性降维（DR）技术（如t-随机邻域嵌入（t-SNE）、统一流形近似与投影（UMAP）和生成拓扑映射（GTM））的性能通常易受超参数选择的影响，且在大数据集上的训练成本高昂。本研究探讨了欠采样方法对这些非线性降维方法超参数选择的影响。结果表明，选择化学数据的小型代表性子集不仅能减少与超参数训练相关的计算成本，还可作为训练非线性DR方法的一种创新手段，从而获得能更好地保留化学空间内局部结构的投影。