May, 2024

知识增强的关系图和任务抽样用于少样本分子属性预测

PDF
TL;DR该论文提出了一种新颖的元学习 FSMPP 框架（KRGTS），其中包括对分子和属性之间的多对多关系进行建模的知识增强关系图模块，以及用于进行元知识学习和减少噪声引入的任务采样模块。经过大量实验证明，KRGTS 相比其他最先进的方法具有更强的优势。
发现论文，激发创造
  • 基于图采样的分子属性预测元学习

    为了有效利用分子和性质之间的多对多关系，我们提出了一种基于图采样的元学习（GS-Meta）框架来解决少样本分子属性预测问题。在五个常用基准测试中，GS-Meta 方法在 ROC-AUC 上始终优于现有技术 5.71％-6.93％，并验证了每个提议模块的有效性。

    Jun, 2023

  • 分子属性预测的少样本图学习

    本文介绍了一种新颖的用于少样本分子属性预测的模型 Meta-MGNN，该模型利用分子图神经网络学习分子表示，并构建元学习框架进行模型优化，在公共数据库上的实验结果表明，Meta-MGNN 优于其他多种先进的方法。

    Feb, 2021

  • 基于图结构学习的分子属性预测

    在这篇论文中，我们提出了一种基于图结构学习的分子性质预测方法，称为 GSL-MPP。我们使用图神经网络（GNN）提取分子表示，构建分子相似性图并进行图结构学习，最终获得能够结合分子间关系的分子嵌入。实验结果表明，我们的方法在大多数情况下都达到了最先进的性能水平，尤其在分类任务上表现出色。

    Dec, 2023

  • 面向少样本分子属性预测的属性感知关系网络

    本文提出了一种名为 PAR 的算法，通过引入一个变量来转化传统的分子嵌入到目标属性敏感的子结构嵌入空间，然后设计一个适应性的关系图学习模块，可同时估计分子关系图和精细分子嵌入，最后采用元学习策略，其表现优于现有的方法。

    Jul, 2021

  • MolecularGPT: 开放式大型语言模型（LLM）用于少样本分子性质预测

    利用 MolecularGPT，基于大规模语言模型对分子指令进行微调，并通过零样本和少样本的上下文学习，在少样本分子预测任务中取得新的竞争性结果，显示出语境推理能力优势，超过传统的图神经网络方法和现有语言模型基线，为语言模型在少样本分子特性预测中的应用发展提供了潜力。

    Jun, 2024

  • 应用于分子性质预测的图神经网络上的多任务学习

    提出了一种基于图神经网络模型的最新、高效的多任务预测方法，结果表明，多任务学习可以提高模型性能，特别是数据点较少的数据集可以不需要数据增强，便能获得较好的效果，并且能显著减小模型的方差。

    Oct, 2019

  • 分子属性预测的图多相似性学习

    我们提出了图形多相似学习（GraphMSL）框架，它在连续尺度上捕捉了分子的自相似性和相对相似性，从而显著提高了分子性质预测中的表示学习的效果。此框架通过不同化学模态推导出单峰多相似性度量，融合这些度量到多模态形式中，灵活的融合函数可以重塑模型的重点以传达不同的化学语义，并通过各种下游任务和事后分析显示出了显著的性能，在药物发现评估中具有重要潜力。

    Jan, 2024

  • 知识感知对比分子图学习

    本文介绍了一种融合领域知识的自我监督分子表示学习模型，通过在对比学习框架下显式编码领域知识，将化学领域知识融合到分子图表示中，证明这种方法可以区分具有相似化学公式但不同功能的分子。在 8 个公共数据集上进行的实验表明，该模型具有显著的有效性，相对于强竞争对手平均有 6％的绝对改进。消融实验和进一步的研究也证实了将化学领域知识纳入自我监督学习的最佳方法。

    Mar, 2021

  • 基于超网络的分层适应性用于少样本分子性质预测

    通过引入一种新的分层适应机制（HiMPP），可以在生物医学应用中有效地解决少样本学习问题，提高分子属性预测的效果。

    Oct, 2023

  • 知识图谱中的少量样本链接预测的元关系学习

    本研究基于 Meta Relational Learning 框架，针对在知识图谱上进行少样本关系预测的挑战，通过转移关系特异的元信息来实现优化学习，最终在少样本关系预测基准测试中取得了最先进的成果。

    Sep, 2019