用12个随机森林融合指纹预测分子属性，性能登顶OGB榜单。
Multi-RF Fusion with Multi-GNN Blending for Molecular Property Prediction
- 12个随机森林基于多种分子指纹拼接，与图神经网络结果加权融合。
- 在ogbg-molhiv数据集上测试ROC-AUC达0.8476，优于此前最优方法。
- 通过平均多种子结果消除波动，适合追求高稳定性的分子建模研究者。
Multi-RF Fusion 在 ogbg-molhiv 数据集（10个种子）上取得 0.8476 ± 0.0002 的测试 ROC-AUC，位居 OGB 排行榜第一，优于 HyperFusion（0.8475 ± 0.0003）。该方法核心为 12 个随机森林的秩平均集成，训练于拼接的分子指纹（FCFP、ECFP、MACCS、原子对，共 4,263 维），与深度集成的 GNN 预测结果以 12% 权重融合。两个关键发现：（1）将 max_features 设为 0.20 而非默认的 sqrt(d)，在骨架划分下提升 AUC 0.008；（2）在融合前对 10 个种子的 GNN 预测取均值，彻底消除种子方差，最终标准差从 0.0008 降至 0.0002。未使用外部数据或预训练。
原文摘要 · Abstract (English)
Multi-RF Fusion achieves a test ROC-AUC of 0.8476 +/- 0.0002 on ogbg-molhiv (10 seeds), placing #1 on the OGB leaderboard ahead of HyperFusion (0.8475 +/- 0.0003). The core of the method is a rank-averaged ensemble of 12 Random Forest models trained on concatenated molecular fingerprints (FCFP, ECFP, MACCS, atom pairs -- 4,263 dimensions total), blended with deep-ensembled GNN predictions at 12% weight. Two findings drive the result: (1) setting max_features to 0.20 instead of the default sqrt(d) gives a +0.008 AUC gain on this scaffold split, and (2) averaging GNN predictions across 10 seeds before blending with the RF eliminates GNN seed variance entirely, dropping the final standard deviation from 0.0008 to 0.0002. No external data or pre-training is used.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。