基于图对齐的完全中介表示的自我标注

给定化学化合物的二维图像（$U$）预测其分子图结构（$W$）是机器学习中一个具有挑战性的问题。我们感兴趣于学习 $f: U \rightarrow W$，其中我们有一个完全中介表示 $V$，使得 $f$ 分解为 $U \rightarrow V \rightarrow W$。然而，观测 V 需要详细且昂贵的标注。我们提出一种图对齐方法，在给定普通标注 $W$ 的情况下生成丰富或详细的标注。本文中，我们研究从源域到目标域的域适应场景：在源域中我们可以访问昂贵的标注 $V$，而在目标域中仅有普通标注 W 可用。聚焦于从二维图像预测化合物图的问题，完全中介层使用我们所预测的化合物图结构的平面嵌入来表示。使用完全中介层隐含了对底层过程机制的一些假设。然而，若假设正确，则应使机器学习模型更具可解释性、泛化更好且在训练时数据效率更高。实证结果表明，仅使用 4000 个数据点，相较于仅在源域上预训练的模型，域适应到目标域后性能提升高达 4 倍。域适应后，模型甚至能够检测出在原始源域中从未见过的原子类型。最后，在 Maybridge 数据集上，所提出的自我标注方法达到了高于当前最优（state of the art）的性能。