基于因果子结构的偏移鲁棒分子关系学习
机器学习
2023-07-24 v3 人工智能
生物大分子
分子网络
摘要
近年来，旨在预测分子对之间相互作用行为的分子关系学习因广泛应用在分子科学中受到大量关注。本工作中，我们提出 CMRL，它通过检测与化学反应有因果关系的核心子结构，对分子关系学习中的分布偏移具有鲁棒性。为此，我们首先基于分子科学领域知识假设因果关系，并构建揭示变量间关系的结构因果模型（SCM）。基于 SCM，我们引入一种新颖的条件干预框架，其干预以配对分子为条件。借助该条件干预框架，我们的模型成功从因果子结构学习，并缓解了与化学反应虚假相关的捷径子结构的混淆效应。在真实与合成数据集上多种任务的广泛实验证明了 CMRL 优于最先进的基线模型。我们的代码见 https://github.com/Namkyeong/CMRL。
引用
@article{arxiv.2305.18451,
title = {Shift-Robust Molecular Relational Learning with Causal Substructure},
author = {Namkyeong Lee and Kanghoon Yoon and Gyoung S. Na and Sein Kim and Chanyoung Park},
journal= {arXiv preprint arXiv:2305.18451},
year = {2023}
}
备注
KDD 2023