并非所有无标签数据都同等有效：利用大型化学数据库进行半监督 QSAR 建模的无标签数据选择

arXiv:2610.22025v1 公告类型：新 摘要：半监督学习（SSL）在标签获取成本高昂而无标签样本容易获得的领域尤其具有吸引力。定量构效关系（QSAR）建模正是这样的领域之一，其根据化学结构预测分子生物活性。获取活性测量结果需要成本高昂的湿实验，因而带标签数据集通常规模较小；与此同时，ChEMBL 等化学数据库包含数百万个无标签分子。尽管看似非常适用，但大型化学数据库通过 SSL 改进 QSAR 模型的潜力仍基本未得到探索。此外，在包含真实无标签数据的实际 SSL 场景中，如何选择无标签数据也尚不明确。我们使用从 ChEMBL 中提取的 10 个 QSAR 数据集以及一个包含超过 400,000 个无标签分子的样本池，对无标签数据选择开展了系统研究。为此，我们评估了三种成熟的 SSL 算法（自训练、协同训练和标签传播），并制定了四种无标签数据选择策略，分别基于随机采样、最近邻采样、最远邻采样和混合采样。结果表明，大型化学数据库中的无标签数据能够改进 QSAR 模型：在 10 个数据集中的每一个上，至少有一种 SSL 配置的表现优于监督学习基线。此外，最可靠的改进通常通过选择数量相对较少、化学性质差异较大的分子来实现。这表明，无标签数据集的组成可能比其规模更为重要，从而对 SSL 必须依赖大量无标签数据这一普遍前提提出了挑战。