AROMMA：统一单分子和混合物的嗅觉嵌入
机器学习
2026-01-28 v1 人工智能
摘要
公共嗅觉数据集较小且在单分子和混合物之间碎片化，限制了可泛化气味表征的学习。最近的工作要么学习单分子嵌入，要么通过相似性或成对标签预测来处理混合物，导致表示分离且不可对齐。本文提出 AROMMA，一个学习单分子和两分子混合物统一嵌入空间的框架。每个分子由化学基础模型编码，混合物由注意力机制聚合器组成，确保双线性不变性和非对称分子相互作用。我们进一步使用知识蒸馏和类别感知伪标签对齐气味描述集，以丰富缺失的混合物注释。AROMMA 在单分子和分子对数据集上实现了最先进的性能，单分子数据集的 AUROC 提升最高可达 19.1%，表明其在两个领域具有稳健的泛化能力。
引用
@article{arxiv.2601.19561,
title = {AROMMA: Unifying Olfactory Embeddings for Single Molecules and Mixtures},
author = {Dayoung Kang and JongWon Kim and Jiho Park and Keonseock Lee and Ji-Woong Choi and Jinhyun So},
journal= {arXiv preprint arXiv:2601.19561},
year = {2026}
}