CLASS：提升跨模态文本-分子检索性能与训练效率

跨模态文本-分子检索任务旨在连接分子结构与自然语言描述。现有方法主要关注文本模态与分子模态之间的对齐，却忽视了在不同训练阶段自适应调整学习状态以及提升训练效率的问题。为应对这些挑战，本文提出一种基于课程学习的跨模态文本-分子训练框架（Curriculum Learning-based Cross-modal text-molecule training framework, CLASS），该框架可与任意主干网络（backbone）集成，显著提升性能表现。具体而言，我们综合考虑文本模态与分子模态，量化样本难度，并设计样本调度器，按照由易到难的策略逐步引入训练样本，显著减少了训练初期的样本规模，从而有效提升训练效率。此外，我们引入自适应强度学习机制，随着训练进程动态增强训练强度，实现对各课程阶段学习强度的自适应调控。在ChEBI-20数据集上的实验结果表明，所提方法不仅取得了更优的性能表现，同时实现了显著的时间节省。