通过目标感知源选择重新思考分子 OOD 泛化

arXiv:2605.13932v1 公告类型：新 摘要：在极端分布外 (OOD) 情况下对分子特性的鲁棒预测是人工智能驱动的药物发现的关键瓶颈。当前的支架分割协议无法阻碍微观语义重叠，使模型容易缩短学习并高估其真实的外推能力；与此同时，传统的领域适应范式遭受极端的结构转变，因为盲目对齐异构源库会注入拓扑噪声并触发负转移。为了解决这两个挑战，支架簇分布外性能评估基准（SCOPE-BENCH）是一种基于显式物理化学描述符空间中簇级划分的基准，与多源适应策略优化（POMA）一起被提出，POMA是一个将知识转移制定为检索-组合-适应管道的框架：结构上接近未标记目标的标记源支架首先被识别为代理目标；然后，强化学习策略从指数级大的候选池中自适应地选择最佳源子集；最终在宏观拓扑和微观药效团尺度上进行双尺度域适应。评估显示，最先进的 3D 分子模型的预测误差在 SCOPE-BENCH 上激增高达 8.0 倍，平均值为 5.9 倍，而 POMA 的平均绝对误差降低高达 11.2%，在不同的骨干架构中平均相对改进为 6.2%。代码可在 https://anonymous.4open.science/r/Molecular-OOD-Code-73F6 获取。