神经图匹配提升分子机器学习中的检索增强生成
机器学习
2025-07-04 v2 定量方法
摘要
分子机器学习因几何深度学习的进展而日益受到关注。与此同时，检索增强生成已成为语言模型中常用的原则方法。然而，将检索增强集成到分子机器学习的最佳方式仍不明确。图神经网络从聪明的匹配方式来理解检索分子与查询分子之间的结构对齐，从而受益。神经图匹配通过显式建模两个结构图之间的节点和边缘亲和力，并采用鲁棒于噪声的端到端神经网络来学习亲和力度量，提供了一个引人注目的解决方案。我们将此方法应用于质谱仪模拟，提出了 MARASON—a 一种将神经图匹配纳入以片段为基础的神经网络以增强其性能的新模型。实验结果突显了我们设计的有效性，MARASON 在 Top-1 准确率上达到 28%，显著高于不使用检索的最新水平准确率 19%。此外，MARASON 还优于两种朴素的检索增强生成方法和传统图匹配方法。代码已公开于 https://github.com/coleygroup/ms-pred
引用
@article{arxiv.2502.17874,
title = {Neural Graph Matching Improves Retrieval Augmented Generation in Molecular Machine Learning},
author = {Runzhong Wang and Rui-Xi Wang and Mrunali Manjrekar and Connor W. Coley},
journal= {arXiv preprint arXiv:2502.17874},
year = {2025}
}
备注
ICML 2025