用于分子性质预测的异质模型集成
机器学习
2022-11-22 v1 定量方法
摘要
先前的工作已证明考虑分子不同模态的重要性，每种模态都为下游性质预测任务提供了不同粒度的信息。我们的方法将近期 TransformerM 架构的变体与 Transformer、GNN 和 ResNet 骨干架构相结合。模型在分子图的 2D 数据、3D 数据和图像模态上进行训练。我们使用 HuberRegressor 对这些模型进行集成。模型在原始训练+验证数据集的 4 种不同训练/验证划分上进行训练。这构成了在 PCQM4Mv2 分子性质预测数据集上第二届 OGB 大规模挑战赛（2022）的获胜方案。我们提出的方法取得了 的测试挑战 MAE 和 的验证 MAE。我们方案的推理总时间小于 2 小时。我们在 https://github.com/jfpuget/NVIDIA-PCQM4Mv2 开源了代码。
引用
@article{arxiv.2211.11035,
title = {Heterogenous Ensemble of Models for Molecular Property Prediction},
author = {Sajad Darabi and Shayan Fazeli and Jiwei Liu and Alexandre Milesi and Pawel Morkisz and Jean-François Puget and Gilberto Titericz},
journal= {arXiv preprint arXiv:2211.11035},
year = {2022}
}