KDDMay, 2023

具有因果子结构的移位鲁棒分子关系学习

PDF
TL;DR本文提出一种针对分子关系学习中分布变化的稳健模型 CMRL，该模型基于领域知识并构建了结构因果模型（SCM），引入一种新的条件干预框架，并成功地从因果子结构中学习，并减轻了与化学反应表面相关的快捷子结构的混杂效应。
molecular relational learningchemical reactionsstructural causal modelconditional intervention frameworkshortcut substructures
发现论文，激发创造
  • MolTC: 语言模型中的分子关系建模

    该研究提出了一个基于 LLMs 的多模态框架 MolTC，以图像化信息为基础，实现了统一的分子间相互作用预测，并进行了包括 400 万分子对的多数据集实验，证明了该方法在基于 GNN 和 LLM 的基准测试中的优越性。

    Feb, 2024

  • 分子关系学习的条件图信息瓶颈

    本文提出了一种基于图神经网络，利用条件图信息瓶颈检测关键次级结构的分子关系学习方法，从而能更好地模拟化学反应，实验证明它在不同任务和数据集上比同类算法更具优势。

    Apr, 2023

  • 大语言模型辅助的因果结构学习

    迭代式 LLM 监督 CSL（ILS-CSL）框架通过将基于 LLM 的因果推理与 CSL 相结合，并从 LLM 中获得反馈，从而改进了因果有向无环图（DAG）的学习，提供了更强效的因果发现方法，并在八个真实世界数据集上的综合评估中表现出优越的性能，展示了其推动因果发现领域进步的潜力。

    Nov, 2023

  • 化学反应感知分子表示学习

    该研究提出使用化学反应来辅助学习分子表示，强制规定化学方程中反应物嵌入和生成物嵌入之和相等，以保持嵌入空间的良好组织，并提高分子嵌入的泛化能力。实验结果表明，该方法在多个下游任务中获得了最先进的性能。

    Sep, 2021

  • 从化学反应知识中学习上下文分子表示

    借助自监督学习的 REM0 框架，基于化学反应的上下文，对分子表示学习进行了预训练，提供了富含化学知识的有意义的上下文表示，用于支持各种下游分子任务，同时在活性分析基准中超过了指纹方法。

    Feb, 2024

  • 减轻因果结构学习中的先前错误：迈向 LLM 驱动的先前知识

    该研究旨在应用大型语言模型，利用 “文本输入” 方法来发现变量间的因果关系，以解决当前领域专家掌控下的先验错误问题；针对大型语言模型中三种潜在的先验错误（顺序一致错误、逆序错误和不相关错误），提出了一种无需人工干预的贝叶斯网络学习策略，并且经过了实验验证其能够抵御逆序错误，同时保持正确先验知识的大多数。

    Jun, 2023

  • 从分子到支架到功能团：通过多通道学习构建具有上下文依赖性的分子表示

    使用自监督学习和分子结构内的层次知识，该论文提出了一种新的学习框架，从而可以准确预测分子属性并在各种基准测试中取得竞争性表现。

    Nov, 2023

  • 使用有针对性的干预进行活跃因果学习，解码化学复杂性

    基于分子结构预测和增强固有性质对于医学、材料科学和环境管理中的设计任务至关重要，本研究介绍了一种主动学习方法，通过智能抽样和干预来辨识潜在的因果关系，以优化在未接触到的化学空间内的设计任务。

    Apr, 2024

  • 多粒度因果结构学习

    揭示、建模和理解自然现象的因果机制是科学研究中的基本任务，此文讨论一种名为 MgCSL（多粒度因果结构学习）的新方法，通过利用稀疏自动编码器探索从微观变量到宏观变量的粗粒度策略和因果抽象，使用多粒度变量作为输入训练多层感知机，从而深入研究变量之间的因果关系，并引入一种简化的非循环性约束以适应高维数据，实验证明 MgCSL 优于竞争方法，并在 fMRI 数据集中发现可解释的因果连接。

    Dec, 2023

  • 学习潜在结构因果模型

    本文提出了一种基于贝叶斯推理的方法，在低级别数据的情况下学习维度高、SCM 结构和参数未知的高级因果变量，从而实现对潜在 SCM 的推断和图像生成。

    Oct, 2022