基于谐波调制特征映射和化学信息损失函数的分子气味预测
机器学习
2025-02-04 v1 定量方法
摘要
分子气味预测在化学、制药和环境科学等多个领域具有巨大潜力，能够加速新材料的设计并增强环境监测。然而，当前方法面临两个主要挑战：首先，现有模型难以处理非光滑目标函数和混合特征维度的复杂性；其次，数据集存在严重的标签不平衡，阻碍了模型训练，尤其是在学习少数类标签方面。为解决这些问题，我们引入了一种新颖的特征映射方法和一种分子集成优化损失函数。通过结合特征重要性学习和频率调制，我们的模型自适应地调整每个特征的贡献，有效捕获分子结构与气味描述符之间的复杂关系。我们的特征映射在保持特征独立性的同时，通过频率调制增强了模型利用分子特征的效率。此外，所提出的损失函数动态调整标签权重，改善结构一致性，并增强标签相关性，有效应对数据不平衡和标签共现的挑战。实验结果表明，我们的方法能显著提高各种深度学习模型在分子气味预测中的准确性，展示了其在分子结构表示和化学信息学中的巨大潜力。
引用
@article{arxiv.2502.01296,
title = {Molecular Odor Prediction with Harmonic Modulated Feature Mapping and Chemically-Informed Loss},
author = {HongXin Xie and JianDe Sun and Yi Shao and Shuai Li and Sujuan Hou and YuLong Sun and Yuxiang Liu},
journal= {arXiv preprint arXiv:2502.01296},
year = {2025}
}