利用度量学习增强的最优传输改进分子表示学习
机器学习
2023-10-31 v3 人工智能
定量方法
摘要
在许多化学与生物应用中，训练数据通常有限或异构。现有的化学与材料科学机器学习模型未能考虑对训练领域之外的泛化。本文提出一种基于最优传输的新算法 MROT，以增强其在分子回归问题上的泛化能力。MROT 通过度量一种新的域距离度量并对传输计划施加后验方差正则化来学习数据的连续标签，从而弥合化学域间的鸿沟。在下游任务中，我们考虑无监督与半监督设定下的基础化学回归任务，包括化学性质预测与材料吸附筛选。大量实验表明，MROT 显著优于当前最优模型，在加速具有期望性质的新物质发现方面展现出良好潜力。
引用
@article{arxiv.2202.06208,
title = {Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport},
author = {Fang Wu and Nicolas Courty and Shuting Jin and Stan Z. Li},
journal= {arXiv preprint arXiv:2202.06208},
year = {2023}
}