充分利用合成任务增强

将基于规则模型如随机森林注入可微分神经网络框架仍是机器学习中的开放挑战。最近的进展表明，预训练模型可生成高效的分子嵌入。然而，这些方法通常需要大量预训练和额外技术（如融合后验概率）来提升性能。我们提出一种新颖策略，即在同时训练基于稀疏多任务分子属性实验目标和源自在 Osmordred 分子描述符上训练的 XGBoost 模型生成的合成目标的单个图转换神经网络。这些合成任务作为独立的辅助任务。我们的结果显示，在所有 19 个分子属性预测任务中均实现了一致且显著的性能提升。对于 16 个 19 个目标，多任务图转换神经网络均优于 XGBoost 单任务学习者。这表明，合成任务增强是一种有效的方法，可在无需特征注入或预训练的情况下提升神经模型在多任务分子属性预测中的性能。