标签
本文提出了一种上下文增强提示框架，利用图神经网络专家模型提供预测提示和解释性子图，以改进小型语言模型中的分子性质预测。在MUTAG和Tox21上的实验显示，与仅使用SMILES的基线相比，准确率提升高达74%。
path_boost是一个实现PathBoost的Python包，PathBoost是一种用于可解释图级别预测的梯度提升算法。它能自动发现图中具有预测性的带标签路径，支持回归和二元分类，并与scikit-learn兼容。
本文揭示了标准边际共形预测在不平衡虚拟筛选数据集中无法覆盖少数类，并展示了类条件（Mondrian）共形预测如何恢复每类覆盖。
本文提出了一种三分支模块化融合神经网络，整合了3D几何结构、SMILES嵌入和物理化学描述符用于分子性质预测，在QM9数据集上以不到一百万个参数实现了20.6%的误差降低。
MOLAR提出了一种噪声感知框架，通过将干净属性推理与观测到的标签噪声分离，从噪声标签中学习多模态分子表征，在分子基准测试中优于基线方法。
本文介绍了GLACIER，一种多模态学生-教师基础模型，它整合了分子图、SMILES字符串和物理化学描述符，以高效预测分子性质。它利用Finsler几何感知融合以及来自更大教师模型（MiniMol、MolFormer）的知识蒸馏，以轻量级架构实现高性能。