基于度量小样本学习方法的分子性质预测方法技术

本发明专利技术属于人工智能技术领域，特别涉及基于度量小样本学习方法的分子性质预测方法。本发明专利技术采用了原型网络框架结合图预训练策略、低秩表示、对比学习和优化的Sinkhorn K‑means算法。原型网络框架，旨在解决图数据的特征学习和聚类问题，利用原型网络框架结合图提取了分子的通用特征，包括局部和全局信息，以应对分子复杂性。通过低秩表示，将高维分子数据映射到更紧凑的表示空间，有助于提高预测性能。引入了对比学习来保持数据在降维后的结构特征，以进一步提高预测准确性。借助扩展的Sinkhorn K‑means算法，将带有标签的数据集成到预测模型中，从而实现更精确的分子性质预测。

【技术实现步骤摘要】

本专利技术属于人工智能，特别涉及基于度量小样本学习方法的分子性质预测方法。

技术介绍

1、分子性质预测是计算机辅助药物发现中的关键任务，对于药物筛选和药物设计具有重要意义。目前，药物研发中存在着分子性质预测的高度复杂性和数据噪声问题。传统的分子性质预测方法在面对大规模和多样化的分子数据时，难以提供准确的预测结果，从而拖累了药物研发的进展。在分子性质预测领域，尤其是在数据有限的情况下，准确性一直是一个关键挑战。

技术实现思路

1、本专利技术提出基于度量小样本学习方法的分子性质预测方法，解决了上述问题。

2、本专利技术的技术方案是这样实现的：

3、基于度量小样本学习方法的分子性质预测方法，包括以下步骤：

4、s1、选用原型网络框架构建模型的框架；

5、s2、借助原型网络框架结合图方法学习图数据的通用特征；

6、s3、运用低秩表示对数据进行降维处理，得到子空间和降维后的嵌入表示；

7、s4、使用对比学习捕获数据点与其邻居和其他数据点之间的相似性本文档来自技高网...

【技术保护点】

1.基于度量小样本学习方法的分子性质预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于度量小样本学习方法的分子性质预测方法，其特征在于，步骤S3中，模型需要进行子空间学习，其中，子空间学习包括SVD分解和QR分解，SVD分解的公式如下：

3.根据权利要求2所述的基于度量小样本学习方法的分子性质预测方法，其特征在于，步骤S3中，低秩表示的具体步骤如下：

4.根据权利要求3所述的基于度量小样本学习方法的分子性质预测方法，其特征在于，步骤S3中，数据降维的步骤如下：

5.根据权利要求1所述的基于度量小样本学习方法的分子性质预测方法...

【技术特征摘要】

1.基于度量小样本学习方法的分子性质预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于度量小样本学习方法的分子性质预测方法，其特征在于，步骤s3中，模型需要进行子空间学习，其中，子空间学习包括svd分解和qr分解，svd分解的公式如下：

3.根据权利要求2所述的基于度量小样本学习方法的分子性质预测方法，其特征在于，步骤s3中，低秩表示的具体步骤如下：

4.根据权利要求3所述的基于度量小样本学习方法的分子性质预测方法，其特征在于，步骤s3中，数据降维的步骤如下：

5.根据权利要求1所述的基于度量小样本学习方法的分子性质预测方法，其特征在于，步骤s5中，扩展的sinkhorn k-means算法指的是基于sinkhorn k-means...

【专利技术属性】
技术研发人员：宋弢，王珣，王爽，王璐璐，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：