多任务学习在分子性质预测中的对比研究

随着深度学习的快速发展,相关算法被广泛应用于量子化学计算领域以实现高效的分子设计及性质研究.其中,多任务学习方法通过挖掘分子性质之间的关系可以同时预测多个分子属性,然而此类研究目前较为有限.本文采用硬参数共享结构与损失函数加权方法来实现多任务分子性质预测.通过对比单任务基准与各类多任务模型在不同分子属性集上的性能,展示了多属性预测精度强烈依赖于属性间的关系,当关联变复杂时,硬参数共享可以提高预测精度.此外,恰当的损失函数加权方法有利于实现更均衡的多目标优化,使预测更准确.进一步的实验展示了多任务学习模型的计算效率优势及其在训练数据量受限时的预测性能优势....

Full description

Saved in:
Bibliographic Details
Published in化学物理学报（英文版） Vol. 36; no. 4; pp. 443 - 452
Main Authors 韩超, 王皓, 朱健保, 刘淇, 朱文光
Format Journal Article
LanguageChinese
Published 中国科学技术大学物理学院,合肥 230026%中国科学技术大学计算机科学与技术学院,大数据分析与应用安徽省重点实验室,合肥 230026 2023
Subjects
分子属性预测
Deep learning
深度学习
多任务学习
Molecular property prediction
损失函数加权方法
Multi-task learning
Uncertainty weighting
Online AccessGet full text
ISSN1674-0068
DOI10.1063/1674-0068/cjcp2203055

Cover

More Information
Summary:随着深度学习的快速发展,相关算法被广泛应用于量子化学计算领域以实现高效的分子设计及性质研究.其中,多任务学习方法通过挖掘分子性质之间的关系可以同时预测多个分子属性,然而此类研究目前较为有限.本文采用硬参数共享结构与损失函数加权方法来实现多任务分子性质预测.通过对比单任务基准与各类多任务模型在不同分子属性集上的性能,展示了多属性预测精度强烈依赖于属性间的关系,当关联变复杂时,硬参数共享可以提高预测精度.此外,恰当的损失函数加权方法有利于实现更均衡的多目标优化,使预测更准确.进一步的实验展示了多任务学习模型的计算效率优势及其在训练数据量受限时的预测性能优势.
ISSN:1674-0068
DOI:10.1063/1674-0068/cjcp2203055