RetroOOD：理解逆合成预测中的分布外泛化
机器学习
2023-12-19 v1 人工智能
定量方法
摘要
机器学习辅助的逆合成预测模型正得到广泛应用，然而当部署在包含分布外 (OOD) 分子或反应的实际应用中时，其性能往往会显著下降。尽管在标准基准上取得了稳步进展，但在分布偏移前提下对现有逆合成预测模型的理解仍停滞不前。为此，我们首先正式梳理了逆合成预测中的两类分布偏移，并构建了两组基准数据集。接着，通过全面的实验，我们在两组基准上系统比较了最先进的逆合成预测模型，揭示了以往分布内评估的局限性，并重新审视了各模型的优势。更值得注意的是，受上述经验见解启发，我们提出了两种与模型无关的技术，能够改进任意现成逆合成预测算法的 OOD 泛化能力。我们的初步实验显示了其巨大潜力，平均性能提升 4.6%，且所建立的基准为进一步面向 OOD 泛化的逆合成预测研究奠定了基础。
引用
@article{arxiv.2312.10900,
title = {RetroOOD: Understanding Out-of-Distribution Generalization in Retrosynthesis Prediction},
author = {Yemin Yu and Luotian Yuan and Ying Wei and Hanyu Gao and Xinhai Ye and Zhihua Wang and Fei Wu},
journal= {arXiv preprint arXiv:2312.10900},
year = {2023}
}