PolyCL：通过显式与隐式增强的聚合物表示对比学习
机器学习
2024-08-15 v1
摘要
聚合物因其多样且可调的性能在众多应用中发挥着关键作用。建立聚合物表示与其性能之间的关系对于通过机器学习进行聚合物的计算设计和筛选至关重要。表示质量显著影响这些计算方法的有效性。在此，我们提出了一种自监督对比学习范式PolyCL，用于学习高质量的聚合物表示而无需标签。我们的模型结合了显式与隐式增强策略以提升学习性能。结果表明，我们的模型在作为特征提取器的迁移学习任务中取得了更好或极具竞争力的性能，而无需过于复杂的训练策略或超参数优化。此外，我们对对比学习中使用的各种增强组合进行了广泛分析，从而确定了最大化PolyCL性能的最有效组合。
引用
@article{arxiv.2408.07556,
title = {PolyCL: Contrastive Learning for Polymer Representation Learning via Explicit and Implicit Augmentations},
author = {Jiajun Zhou and Yijie Yang and Austin M. Mroz and Kim E. Jelfs},
journal= {arXiv preprint arXiv:2408.07556},
year = {2024}
}