На Ð¿Ñ€Ð°Ð²Ð°Ñ Ñ€ÑƒÐºÐ¾Ð¿Ð¸ÑÐ¸

угодно сложные зависимости «структура-свойство». В то же время, вместо изолированных
одноуровневых моделей, берущих на входе значения фрагментных
дескрипторов и выдающей на выходе значения прогнозируемых свойств, предлагается
использовать организованную в виде нескольких слоев сеть моделей, в
которой выходы моделей предыдущих слоев являются входами для моделей
последующих. Заметим, что подобная организация моделей напоминает поэтапный
процесс обработки информации, происходящий в многослойных
структурах коры головного мозга. От каждой из промежуточных моделей требуется,
чтобы на выходе они давали либо экспериментально измеряемые величины,
либо расчетные величины, имеющие очевидную интерпретацию. Это дает
возможность для каждой промежуточной модели использовать свою базу
данных «структура-свойство», которая и должна применяться для ее построения.
В этом случае многоуровневая организация моделей дает возможность эффективно
проводить индуктивный перенос знаний от моделей предыдущего
слоя к моделям последующего, что должно приводить к улучшению качества
последних за счет использования дополнительной информации, взятой в неявном
виде из других баз данных. Можно предположить, что для эффективности
этого процесса необходимо, чтобы модели предыдущего уровня обучались на
базах существенно большего размера, чем последующего. На Рис. 58 показана
схема традиционного одноуровневого подхода, основанного на т.н. «однозадачном
обучении», при котором модели (в данном случае нейросетевые) для
прогнозирования разных свойств не связаны друг с другом. В противоположность
этому, на Рис. 59 (стр. 266) показана схема многоуровневого подхода, в
рамках которого за счет последовательного соединения моделей происходит
перенос информации из моделей нижнего уровня в модели верхнего, что приводит
к повышению предсказательной способности последних.
265