MetaRF：用于少次试验反应产率预测的可微分随机森林
机器学习
2022-08-23 v1 定量方法
摘要
人工智能以许多令人印象深刻的应用深刻变革了药物化学领域，但这些应用的成功需要大量带有高质量标注的训练样本，这严重限制了数据驱动方法的广泛使用。本文中，我们关注反应产率预测问题，该问题旨在仅通过少量实验试验，辅助化学家在新的化学空间中筛选高产率反应。为应对这一挑战，我们首先提出了 MetaRF，一种专为少样本产率预测设计的基于注意力的可微分随机森林模型，其中随机森林的注意力权重由元学习框架自动优化，并能在给定少量额外样本时快速适应以预测新试剂的性能。为提升少样本学习性能，我们进一步引入了一种基于降维的采样方法，以确定值得进行实验测试并学习的样本。我们的方法在三个不同数据集上进行了评估，并在少样本预测上获得了令人满意的性能。在高通量实验（HTE）数据集中，我们方法所选出前 10 个高产量反应的平均产率与理想产率筛选结果相对接近。
引用
@article{arxiv.2208.10083,
title = {MetaRF: Differentiable Random Forest for Reaction Yield Prediction with a Few Trails},
author = {Kexin Chen and Guangyong Chen and Junyou Li and Yuansheng Huang and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2208.10083},
year = {2022}
}