SupSiam：用于分子构象学习的非对比式辅助损失
机器学习
2023-02-16 v1
摘要
我们研究了用于学习分子构象增强样本相关嵌入的孪生网络。我们发现，非对比式（仅正样本对）辅助任务有助于欧几里得神经网络（E3NNs）的监督训练，并提升点云几何周围的流形平滑度（MS）。我们在多个药物活性预测任务中展示了该性质，同时保持了相关性能指标，并提出了将MS扩展到概率与回归设定的方法。我们对表示坍缩进行了分析，发现任务加权、潜在维度和正则化具有显著影响。我们期望所提出的方案有助于从分子构象开发可靠的E3NNs，即便对于小数据药物发现项目也是如此。
引用
@article{arxiv.2302.07754,
title = {SupSiam: Non-contrastive Auxiliary Loss for Learning from Molecular Conformers},
author = {Michael Maser and Ji Won Park and Joshua Yao-Yu Lin and Jae Hyeon Lee and Nathan C. Frey and Andrew Watkins},
journal= {arXiv preprint arXiv:2302.07754},
year = {2023}
}
备注
Submitted to the MLDD workshop, ICLR 2023