面分子性质预测的 Multi-RF 融合与 Multi-GNN 混合
人工智能
2026-03-24 v1 机器学习
摘要
Multi-RF 融合在 ogbg-molhiv（10 个随机种子）上实现了 0.8476 +/- 0.0002 的测试 ROC-AUC，位列 OGB 排行榜第 1名，超越 HyperFusion（0.8475 +/- 0.0003）。该方法的核心是对 12 个随机森林模型进行排名平均集成，这些模型在拼接的分子指纹（FCFP、ECFP、MACCS、原子对——总计 4,263 维）上训练，与深度集成 GNN 预测在 12% 权重下进行混合。两个发现推动了该结果：（1）将 max_features 设置为 0.20 而非默认的 sqrt(d)，在该 scaffold 分割上带来 +0.008 AUC 增益；（2）在与 RF 混合之前对 GNN 预测在 10 个随机种子上进行平均，可完全消除 GNN 随机种子方差，将最终标准差从 0.0008 降至 0.0002。未使用外部数据或预训练。
关键词
引用
@article{arxiv.2603.20724,
title = {Multi-RF Fusion with Multi-GNN Blending for Molecular Property Prediction},
author = {Zacharie Bugaud},
journal= {arXiv preprint arXiv:2603.20724},
year = {2026}
}
备注
5 pages, 4 tables