分子少样本学习的强基线
机器学习
2025-02-10 v2 人工智能
摘要
少样本学习最近在药物发现中引起了显著兴趣，近期快速增长的文献大多涉及复杂的元学习策略。我们重新审视了更直接的分子数据微调方法，并提出了基于马氏距离的正则化二次探针损失。我们设计了一个专用的块坐标下降优化器，避免了损失的退化解。有趣的是，我们简单的微调方法与最先进的方法相比取得了极具竞争力的性能，同时适用于黑盒设置，并消除了对特定情节预训练策略的需求。此外，我们引入了一个新的基准来评估竞争方法对领域转移的鲁棒性。在这种设置下，我们的微调基线始终获得比元学习方法更好的结果。
引用
@article{arxiv.2404.02314,
title = {A Strong Baseline for Molecular Few-Shot Learning},
author = {Philippe Formont and Hugo Jeannin and Pablo Piantanida and Ismail Ben Ayed},
journal= {arXiv preprint arXiv:2404.02314},
year = {2025}
}
备注
Published in Transactions on Machine Learning Research (02/2025)