用于分子性质预测的元学习自适应深度核高斯过程
机器学习
2023-02-20 v5
摘要
我们提出利用隐函数定理的自适应深度核拟合(ADKF-IFT)，一种通过在区间元学习与常规深度核学习之间插值来学习深度核高斯过程(GPs)的新框架。我们的方法采用双层优化目标，其中我们对跨任务普遍有用的特征表示进行元学习，其意义在于基于此类特征估计的任务特定GP模型平均达到尽可能最低的预测损失。我们使用隐函数定理(IFT)求解所得的嵌套优化问题。我们表明我们的ADKF-IFT框架包含先前提出的深度核学习(DKL)与深度核迁移(DKT)作为特例。尽管ADKF-IFT是一种完全通用的方法，我们认为它尤其适用于药物发现问题，并证明它在多种真实世界少样本分子性质预测任务以及域外分子性质预测与优化任务上显著优于先前最先进的方法。
引用
@article{arxiv.2205.02708,
title = {Meta-learning Adaptive Deep Kernel Gaussian Processes for Molecular Property Prediction},
author = {Wenlin Chen and Austin Tripp and José Miguel Hernández-Lobato},
journal= {arXiv preprint arXiv:2205.02708},
year = {2023}
}
备注
Accepted for publication at The Eleventh International Conference on Learning Representations (ICLR 2023); code available at: https://github.com/Wenlin-Chen/ADKF-IFT