English(EN) MOLAR: Learning Multimodal Molecular Representations from Noisy Labels

MOLAR框架从噪声标签中学习分子表示

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-18 04:00

研究人员提出了MOLAR，一个旨在解决多模态分子表示学习中噪声标签挑战的新框架。该方法将干净属性的推断与记录标签的观察分离开来，使图和文本模态能够为干净属性分布贡献残差证据。MOLAR的表述允许在训练期间推导出后验标签可靠性和模态特定的分子证据。在各种基准测试上的实验表明，MOLAR持续优于现有方法，并为可靠性和模态证据提供了可解释的诊断。 AI

影响该框架通过解决训练数据中常见的噪声标签问题，有可能提高分子属性预测的准确性。

排序理由该集群包含一篇详细介绍新机器学习框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

arXiv
MOLAR

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Yingxu Wang, Kunyu Zhang, Nan Yin, Yu Li, Eran Segal · 2026-06-18 04:00

MOLAR: Learning Multimodal Molecular Representations from Noisy Labels

arXiv:2606.18390v1 Announce Type: new Abstract: Motivation: Noisy labels are a common challenge in molecular property prediction because molecular annotations are often obtained from assays, curated databases, or weak annotation pipelines rather than directly observed clean biolo…

报道来源 [1]

MOLAR: Learning Multimodal Molecular Representations from Noisy Labels

相关实体

相关话题