通过标签混合策略制定稳健的化学反应条件建议

《Journal of Chemical Information and Modeling》：Robust Chemical Reaction Condition Recommendations via Label Mix Strategy

　　AI驱动化学中推荐最佳反应条件面临条件特征表示不足和标注数据稀疏问题。本文提出基于图神经网络的协同过滤框架，结合差分交叉注意力机制选择性聚焦关键条件特征，创新性采用Label Mix数据增强策略与共现矩阵正则化方法降低噪声干扰，在多个基准数据集上验证了该方法在少样本条件下的有效性和鲁棒性提升。

　　

在人工智能驱动的化学研究中，推荐最佳反应条件仍然是一个核心挑战，这主要是由于条件特征的表示能力有限以及标记数据的稀疏性所致。我们提出了一种协同过滤框架，该框架利用图神经网络对反应条件进行编码，并通过差分交叉注意力机制捕捉这些条件与反应之间的相互作用，从而有选择地关注最相关的条件特征。为了减少数据集中的噪声和稀疏性问题，我们引入了“标签混合”策略，通过混合条件标签来增强训练信号；同时采用共现矩阵正则化来促进具有化学意义的相互作用。在多个基准数据集上的广泛评估表明，我们的方法在完整数据和少量样本情况下均表现出色，在准确性、泛化能力和鲁棒性方面均取得了显著的提升。