Buchumschlag

Towards Rational Pesticide Design with Graph Machine Learning Models for Ecotoxicology

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Adamczyk, Jakub
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Molecular Topological Profile (MOLTOP) -- Simple and Strong Baseline for Molecular Graph Classification
von: Adamczyk, Jakub, et al.
Veröffentlicht: (2024)

Benchmarking Pretrained Molecular Embedding Models For Molecular Representation Learning
von: Praski, Mateusz, et al.
Veröffentlicht: (2025)

Scikit-fingerprints: easy and efficient computation of molecular fingerprints in Python
von: Adamczyk, Jakub, et al.
Veröffentlicht: (2024)

Molecular Fingerprints Are Strong Models for Peptide Function Prediction
von: Adamczyk, Jakub, et al.
Veröffentlicht: (2025)

Evaluating machine learning models for predicting pesticide toxicity to honey bees
von: Adamczyk, Jakub, et al.
Veröffentlicht: (2025)

MolPILE -- large-scale, diverse dataset for molecular representation learning
von: Adamczyk, Jakub, et al.
Veröffentlicht: (2025)

ApisTox: a new benchmark dataset for the classification of small molecules toxicity on honey bees
von: Adamczyk, Jakub, et al.
Veröffentlicht: (2024)

Towards Effective Graph Rationalization via Boosting Environment Diversity
von: Wang, Yujie, et al.
Veröffentlicht: (2024)

Rapid Machine Learning-Driven Detection of Pesticides and Dyes Using Raman Spectroscopy
von: Binh, Quach Thi Thai, et al.
Veröffentlicht: (2025)

Exploration Behavior of Untrained Policies
von: Adamczyk, Jacob
Veröffentlicht: (2025)

Inferring Transition Dynamics from Value Functions
von: Adamczyk, Jacob
Veröffentlicht: (2025)

Graph Machine Learning for Design of High-Octane Fuels
von: Rittig, Jan G., et al.
Veröffentlicht: (2022)

Reinforcement Learning for Control of Non-Markovian Cellular Population Dynamics
von: Kratz, Josiah C., et al.
Veröffentlicht: (2024)

RMF: A Risk Measurement Framework for Machine Learning Models
von: Schröder, Jan, et al.
Veröffentlicht: (2024)

Towards Using Machine Learning to Generatively Simulate EV Charging in Urban Areas
von: Miltner, Marek, et al.
Veröffentlicht: (2024)

LightCPPgen: An Explainable Machine Learning Pipeline for Rational Design of Cell Penetrating Peptides
von: Maroni, Gabriele, et al.
Veröffentlicht: (2024)

Graph Mamba: Towards Learning on Graphs with State Space Models
von: Behrouz, Ali, et al.
Veröffentlicht: (2024)

Machine Learning of Slow Collective Variables and Enhanced Sampling via Spatial Techniques
von: Gökdemir, Tuğçe, et al.
Veröffentlicht: (2024)

Game of Coding: Coding Theory in the Presence of Rational Adversaries, Motivated by Decentralized Machine Learning
von: Nodehi, Hanzaleh Akbari, et al.
Veröffentlicht: (2026)

Thermodynamics of Reinforcement Learning Curricula
von: Adamczyk, Jacob, et al.
Veröffentlicht: (2026)

ExMAG: Learning of Maximally Ancestral Graphs
von: Ryšavý, Petr, et al.
Veröffentlicht: (2025)

Predicting Student Success with Heterogeneous Graph Deep Learning and Machine Learning Models
von: Muresan, Anca, et al.
Veröffentlicht: (2026)

Partial Differential Equations in the Age of Machine Learning: A Critical Synthesis of Classical, Machine Learning, and Hybrid Methods
von: Nooraiepour, Mohammad, et al.
Veröffentlicht: (2026)

Fine-grained Graph Rationalization
von: Xu, Zhe, et al.
Veröffentlicht: (2023)

Graph Neural Machine: A New Model for Learning with Tabular Data
von: Nikolentzos, Giannis, et al.
Veröffentlicht: (2024)

Beyond Accuracy: On the Effects of Fine-tuning Towards Vision-Language Model's Prediction Rationality
von: Wang, Qitong, et al.
Veröffentlicht: (2024)

Cooperative Classification and Rationalization for Graph Generalization
von: Yue, Linan, et al.
Veröffentlicht: (2024)

Unraveling the Mechanism of Drug Binding to SARS-CoV-2 RNA Pseudoknot with Thermodynamics-Driven Machine Learning
von: Ivonina, Mariia, et al.
Veröffentlicht: (2026)

Fast and Interpretable Machine Learning Modelling of Atmospheric Molecular Clusters
von: Seppäläinen, Lauri, et al.
Veröffentlicht: (2025)

What Can We Learn from State Space Models for Machine Learning on Graphs?
von: Huang, Yinan, et al.
Veröffentlicht: (2024)

Boosting Soft Q-Learning by Bounding
von: Adamczyk, Jacob, et al.
Veröffentlicht: (2024)

Towards Robust Graph Incremental Learning on Evolving Graphs
von: Su, Junwei, et al.
Veröffentlicht: (2024)

Online Learning with Multiple Fairness Regularizers via Graph-Structured Feedback
von: Zhou, Quan, et al.
Veröffentlicht: (2025)

Data Model Design for Explainable Machine Learning-based Electricity Applications
von: Fortuna, Carolina, et al.
Veröffentlicht: (2025)

Towards Modeling Data Quality and Machine Learning Model Performance
von: Anjum, Usman, et al.
Veröffentlicht: (2024)

EVAL: EigenVector-based Average-reward Learning
von: Adamczyk, Jacob, et al.
Veröffentlicht: (2025)

Towards Quantifying Long-Range Interactions in Graph Machine Learning: a Large Graph Dataset and a Measurement
von: Liang, Huidong, et al.
Veröffentlicht: (2025)

Towards Unifying Diffusion Models for Probabilistic Spatio-Temporal Graph Learning
von: Hu, Junfeng, et al.
Veröffentlicht: (2023)

GraphLand: Evaluating Graph Machine Learning Models on Diverse Industrial Data
von: Bazhenov, Gleb, et al.
Veröffentlicht: (2024)

A Survey on Fairness for Machine Learning on Graphs
von: Laclau, Charlotte, et al.
Veröffentlicht: (2022)