[ICLR2023 | 论文简读] 用于分子性质预测的元学习自适应深度核高斯过程

简读分享 | 滕赛赛 编辑 | 王宇哲

论文题目

Meta-learning Adaptive Deep Kernel Gaussian Processes for Molecular Property Prediction

论文摘要

作者提出了具有隐式函数定理的自适应深度核拟合 (ADKF-IFT)，这是一种通过在元学习和传统深度核学习之间进行插值来学习深度核高斯过程 (GP) 的新型框架。该方法采用双层优化目标，通过跨任务的元学习学习通用的特征表示，利用这些特征估计的任务特定 GP 模型实现了最低的预测损失。作者使用隐函数定理 (IFT) 解决了由此产生的嵌套优化问题。作者还表明ADKF-IFT 框架包含了先前提出的深度内核学习 (DKL) 和深度内核传输 (DKT) 作为特例。尽管 ADKF-IFT 是一种完全通用的方法，但它特别适用于药物发现问题，并证明它在各种真实世界的小样本分子性质上明显优于以前的最先进方法。

论文链接

https://openreview.net/pdf?id=KXRSh0sdVTP