Dans cet article, nous proposons une approche basée sur le méta-apprentissage pour résoudre le problème des faibles performances de généralisation des composés hors distribution, dû à une dépendance excessive aux données d'apprentissage, ce qui est Limitations des modèles de prédiction moléculaire existants. Les modèles d'apprentissage profond existants produisent des prédictions instables et inexactes pour des données dont les distributions diffèrent de celles des données d'apprentissage. Le manque de données dû à la difficulté de vérification expérimentale aggrave également les faibles performances de généralisation. Dans cette étude, nous proposons une méthode basée sur le méta-apprentissage qui interpole entre les données comprises dans la distribution des données d'apprentissage (ID) et les données hors distribution (OOD) en utilisant des données non étiquetées, afin que le modèle apprenne à généraliser au-delà de la distribution d'apprentissage. Nous démontrons une amélioration significative des performances sur des ensembles de données réels et démontrons l'efficacité de la méthode d'interpolation grâce à la visualisation t-SNE.
