运用于分子性质预测的图特征提取与异构集成模型
机器学习
2025-10-28 v1
摘要
我们探讨了一种“取长补短”方法，用于建模分子性质，通过结合图神经网络 (GNN) 所学习的分子描述子与通用特征以及混合集成的机器学习 (ML) 模型。我们引入 MetaModel 框架，用于聚合来自多样化领先 ML 模型的预测。我们呈现一种用于将任务特定 GNN 派生特征与常规分子描述子相结合的特征提取方案。我们展示了该框架在所有回归数据集上均超越了最先进的 ChemProp 模型，并在 6 个中的 9 个分类数据集上实现领先。我们进一步表明，包括来自 ChemProp 的 GNN 特征可提升多个数据集上该集成模型的性能。在这些数据集上，若不包括这些特征，集成模型可能会表现不佳。我们得出结论：要实现跨广泛问题集的最佳性能，至关重要的是将通用特征与任务特定学习特征相结合，并使用多样化的 ML 模型进行预测。
引用
@article{arxiv.2510.23428,
title = {Improving Predictions of Molecular Properties with Graph Featurisation and Heterogeneous Ensemble Models},
author = {Michael L. Parker and Samar Mahmoud and Bailey Montefiore and Mario Öeren and Himani Tandon and Charlotte Wharrick and Matthew D. Segall},
journal= {arXiv preprint arXiv:2510.23428},
year = {2025}
}