从分子性质预测中剥离上下文与因果
机器学习
2026-02-10 v2
摘要
深度模型被用于分子性质预测，但它们通常难以解释，并且可能依赖于虚假上下文而非因果结构，这降低了在分布偏移下的可靠性并损害了预测性能。我们引入了CLaP（因果逐层剥离），这是一个以逐层方式将因果信号与上下文分离，并整合分子多种图表示的框架。在每一层，一个因果块执行因果分支和非因果分支的软分割，跨模态融合因果证据，并逐步移除批次耦合的上下文以聚焦于标签相关的结构，从而限制捷径信号并稳定逐层精化。在四个分子基准测试中，CLaP在MAE、MSE和R²指标上持续优于竞争基线。该模型还生成原子级别的因果显著性图，突出显示负责预测的子结构，为靶向分子编辑提供可操作的指导。案例研究证实了这些图的准确性及其与化学直觉的一致性。通过在每一层剥离上下文与因果，该模型产生了在分子设计中既准确又可解释的预测器。
引用
@article{arxiv.2511.06692,
title = {Peeling Context from Cause for Molecular Property Prediction},
author = {Tao Li and Kaiyuan Hou and Tuan Vinh and Monika Raj and Carl Yang},
journal= {arXiv preprint arXiv:2511.06692},
year = {2026}
}