特征贡献驱动的多层次细粒度特征映射用于分子气味预测
机器学习
2025-05-02 v1 人工智能
摘要
分子气味预测是利用分子结构预测其气味的过程。虽然精确预测仍然具有挑战性，但人工智能模型可以提示潜在的气味。然而，现有方法通常依赖于基本的描述符或人工设计的指纹，这缺乏表达能力并阻碍了有效学习。此外，这些方法存在严重的类别不平衡问题，限制了 AI 模型的训练效果。为了解决这些挑战，我们提出了一种特征贡献驱动的层次化多特征映射网络（HMFNet）。具体来说，我们引入了一个细粒度的局部多层次特征提取模块（LMFE），该模块在原子级别进行深度特征提取，捕获对气味预测至关重要的细节特征。为了增强判别性原子特征的提取，我们集成了一个谐波调制特征映射（HMFM）。该模块动态学习特征重要性和频率调制，提高了模型捕获相关模式的能力。此外，还设计了一个全局多层次特征提取模块（GMFE），用于从分子图拓扑中学习全局特征，使模型能够充分利用全局信息并增强其对气味预测的判别能力。为了进一步缓解类别不平衡问题，我们提出了一种化学信息损失函数（CIL）。实验结果表明，我们的方法显著提高了各种深度学习模型的性能，突显了其在推进分子结构表示和加速 AI 驱动技术发展方面的潜力。
引用
@article{arxiv.2505.00290,
title = {Multi-Hierarchical Fine-Grained Feature Mapping Driven by Feature Contribution for Molecular Odor Prediction},
author = {Hong Xin Xie and Jian De Sun and Fan Fu Xue and Zi Fei Han and Shan Shan Feng and Qi Chen},
journal= {arXiv preprint arXiv:2505.00290},
year = {2025}
}