ReCoG：面向少量样本分子性质预测的关系型紧凑上下文图学习
计算工程、金融与科学
2026-05-14 v1
摘要
少量样本分子性质预测 (FSMPP) 是药物发现和材料设计中的关键任务，高质量标注数据往往稀缺且获取成本高昂。尽管现有方法，尤其是基于上下文的方法，取得了令人期待的性能，但仍面临两个严重挑战：\textit{不足的结构上下文建模} 与 \textit{冗余的辅助上下文学习}，导致上下文图探索不充分，信息利用不有效，从而影响分子表示学习的效果。为此，本文提出一种新框架，通过学习 \textbf{\underline{Re}}lational and \textbf{\underline{C}}ompact \textbf{\underline{o}}ntext \textbf{\underline{G}}raph，称为 \textbf{\method}，综合利用上下文图以实现高效的分子性质预测。具体而言，提出的 \textbf{\method} 包含两个核心模块：一个 \textbf{(1) 跨性质关系学习模块} 用于更好地建模结构和关系上下文信息，以及一个 \textbf{(2) 上下文图信息瓶颈模块} 用于自适应抑制无关的辅助信号，以实现紧凑的上下文信息利用，随后对在上下文图中进行联合关系和紧凑知识提取的重要性进行详细的理论阐述。
关键词
引用
@article{arxiv.2605.13024,
title = {ReCoG: Relational and Compact Context Graph Learning for Few-shot Molecular Property Prediction},
author = {Zeyu Wang and Xin Zheng and Yao Lu and Shanqing Yu and Qi Xuan and Shirui Pan},
journal= {arXiv preprint arXiv:2605.13024},
year = {2026}
}