CLASS：提升跨模态文本-分子检索性能与训练效率的课程学习框架
计算与语言
2025-02-18 v1
摘要
跨模态文本-分子检索任务连接了分子结构和自然语言描述。现有方法主要聚焦于对齐文本模态和分子模态，却忽略了在不同训练阶段自适应调整学习状态并提升训练效率的挑战。为此，本文提出一种基于课程学习的跨模态文本-分子训练框架（CLASS），可与任何主干网络集成以实现卓越的性能提升。具体而言，我们量化文本模态和分子模态的样本难度，并设计样本调度器通过易到难的范式引入训练样本，以显著减少训练早期阶段的样本规模并提升训练效率。此外，我们引入自适应强度学习，以在训练进程中逐步增加训练强度，跨越所有课程阶段自适应控制学习强度。在ChEBI-20数据集上的实验结果表明，我们提出的方法在性能上取得优越成绩，同时实现了显著的时间节省。
引用
@article{arxiv.2502.11633,
title = {CLASS: Enhancing Cross-Modal Text-Molecule Retrieval Performance and Training Efficiency},
author = {Hongyan Wu and Peijian Zeng and Weixiong Zheng and Lianxi Wang and Nankai Lin and Shengyi Jiang and Aimin Yang},
journal= {arXiv preprint arXiv:2502.11633},
year = {2025}
}
备注
12 pages