XiaoMi-AI文件搜索系统
World File Search SystemAffinity
使用 GAN 预测药物-靶标结合亲和力
药物与靶标之间相互作用的计算预测是药物发现领域的长期挑战。最先进的药物-靶标相互作用预测方法主要基于具有已知标签信息的监督机器学习。然而，在生物医学中，获取标记的训练数据是一个昂贵且费力的过程。本文提出了一种基于半监督生成对抗网络 (GAN) 的方法来预测结合亲和力。我们的方法包括两部分，两个用于特征提取的 GAN 和一个用于预测的回归网络。半监督机制使我们的模型能够学习标记和未标记数据的蛋白质药物特征。我们使用多个公共数据集评估我们方法的性能。实验结果表明，我们的方法在利用免费提供的未标记数据时实现了具有竞争力的性能。我们的结果表明，利用这种未标记数据可以大大帮助提高各种生物医学关系提取过程的性能，例如药物-靶标相互作用和蛋白质-蛋白质相互作用，特别是在这些任务中只有有限的标记数据可用时。据我们所知，这是第一个基于半监督 GAN 的预测结合亲和力的方法。
面对人造：理解亲和力、可信度和对更现实的偏好
近年来，各公司一直在为由人工智能 (AI) 控制的数字虚拟代理开发更逼真的人脸。但用户对与此类虚拟代理互动有何感受？我们使用了一项受控实验室实验来检查用户对通过视频（即 Skype）以及非常逼真的虚拟形象出现的真实人类旅行代理的感知可信度、亲和力和偏好；一半的参与者（被误导性地）被告知虚拟形象是由人工智能控制的虚拟代理，而另一半则被告知虚拟形象由同一个人类旅行代理控制。结果表明，参与者认为视频人类代理更值得信赖，对他更有亲和力，并且比两个虚拟形象版本都更喜欢他。相信虚拟形象是由人工智能控制的虚拟代理的用户对代理的亲和力、可信度和偏好程度与相信虚拟形象由人类控制的用户相同。因此，使用逼真的数字化身会降低亲和力、可信度和偏好，但虚拟形象如何控制（由人还是机器）则没有影响。结论是，仅提高视觉保真度就能带来显著的积极变化，用户并不反对先进的人工智能模拟人类的存在，有些人甚至可能期待这样先进的技术。1. 简介