Разработка молекул в онкологии

выучить латентное представление молекул и дальше с его помощью искать

новые. В результате нашли 69 молекул, половина из которых применяются для борьбы с раком, остальные имеют серьезный потенциал.

точности перевода на 55—85 % (оценивали люди по 6-балльной шкале).

Воспроизвести высокие результаты этой модели сложно без огромного датасета, который имеется у Google.

Основной результат: сокращение отставания от человека по точности перевода на 55—85 % (оценивали люди по 6-балльной шкале). Воспроизвести высокие результаты этой модели сложно без огромного датасета, который имеется у Google.

по тексту.
Авторы  предлагают подавать embedding текста на вход не только генератору

(conditional GAN), но и дискриминатору, чтобы он проверял соответствие текста картинке. Чтобы дискриминатор научился выполнять свою функцию, дополнительно в обучение добавляли пары с неверным текстом для реальных картинок.

Исследователи решали проблему image-to-image генерирования, когда, например, требуется по снимку

со спутника создать карту или по наброску предметов — их реалистичную текстуру.

Translation. Идея состоит в следующем: мы учим две пары генератор-дискриминатор

из одного домена в другой и обратно, при этом мы требуем cycle consistency — после последовательного применения генераторов должно получиться изображение, похожее на исходное по L1 loss’у. Цикличный loss требуется для того, чтобы генератор не начал просто транслировать картинки одного домена в совершенно не связанные с исходным изображением.