层次结构提升线性分子表示的收敛性与泛化能力
人工智能
2024-11-19 v4 生物大分子
摘要
语言模型在语法、语义和推理方面展现出基础能力，尽管其性能通常在很大程度上取决于所处理的输入。本研究引入了 TSIS（Simplified TSID）及其变体：TSISD（TSIS with Depth-First Search）、TSISO（TSIS in Order）和 TSISR（TSIS in Random），作为 t-SMILES 框架的组成部分。这些新增内容完善了该框架的设计，为分子表示提供了多种方法。通过采用深度生成模型（包括 GPT、扩散模型和强化学习）进行综合分析与实验，结果表明，t-SMILES 的层次结构比最初预期的更易于解析。此外，t-SMILES 始终优于 SMILES、SELFIES 和 SAFE 等其他线性表示，展现出更快的收敛速度和更强的泛化能力。
引用
@article{arxiv.2402.02164,
title = {Hierarchical Structure Enhances the Convergence and Generalizability of Linear Molecular Representation},
author = {Juan-Ni Wu and Tong Wang and Li-Juan Tang and Hai-Long Wu and Ru-Qin Yu},
journal= {arXiv preprint arXiv:2402.02164},
year = {2024}
}
备注
26pages, 6 figures