MetaHeta：用元学习应对测定异质性

Michal Kmicikiewicz 等作者提出元学习框架 MetaHeta，用相关测定的辅助数据为预测提供条件，以应对测定异质性、改善小样本生物活性预测。该论文称，相关性的定义可灵活依据现有测定信息。 MetaHeta 结合对大规模辅助数据的线性注意力与对稀缺任务上下文的精确注意力，论文称这种设计可在扩展前者时保持后者的精度。 在 ChEMBL 和 BindingDB 的测定数据上，MetaHeta 提升了小样本预测表现，并改善了回顾性贝叶斯优化中的化合物优选效果。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。