VIANA：通过领域信息增强的神经架构进行特征值增强的强度评估
化学物理
2026-04-03 v1 机器学习
摘要
预测气味剂的感知强度仍然是感官科学中的一个基本挑战，原因在于其反应的复杂非线性行为，以及将分子结构与人类感知相关联的困难。虽然传统的深度学习模型，如图卷积网络（GCN），擅长捕捉分子拓扑结构，但它们通常未能考虑嗅觉的生物学和感知背景。本研究引入了VIANA，一个新颖的“三支柱”框架，它整合了结构图论、特征值嵌入和现象学行为。该方法系统地评估了三个不同领域间的知识迁移：通过GCN的分子结构、通过主气味图（POM）嵌入的语义气味特征值，以及通过希尔方程的生物学剂量-响应逻辑。我们证明知识迁移并非固有地积极；相反，必须保持提供给模型的信息量的平衡。虽然原始语义数据在领域信息增强模型中导致了“信息过载”，但应用主成分分析（PCA）来提取最具影响力的95%语义方差，产生了优越的“信号提纯”效果。结果表明，这三个知识迁移支柱的综合效果显著优于基线结构模型，VIANA达到了峰值R²为0.996和测试均方误差（MSE）为0.19。在此背景下，VIANA成功捕捉了饱和的物理上限、检测阈值的灵敏度以及气味特征值表达的细微差别，提供了基于领域的人类嗅觉体验模拟。这项研究为数字嗅觉提供了一个稳健的框架，有效地弥合了分子信息学与感官知觉之间的鸿沟。
引用
@article{arxiv.2604.01365,
title = {VIANA: character Value-enhanced Intensity Assessment via domain-informed Neural Architecture},
author = {Luana P. Queiroz and Icaro S. C. Bernardes and Ana M. Ribeiro and Bernardo M. Aguilera-Mercado and Idelfonso B. R. Nogueira},
journal= {arXiv preprint arXiv:2604.01365},
year = {2026}
}