基于 SEA 框架构建 OdorNet 数据集解决机器嗅觉标签标准化难题

《Scientific Data》：SEA-Driven OdorNet: A Large-Scale Standardized Molecular Olfactory Dataset Based on a Hybrid Semantic Taxonomy

　　

摘要

目前，机器嗅觉技术的发展（即气味的数字化）受到数据稀缺性和描述性标签缺乏标准化的影响。数据集的整合面临着诸多挑战，包括描述符级别的冲突（如不同数据源之间的标签不一致性、同义词重复、分布不均等问题）。为了解决多源数据中固有的语义混乱问题，我们开发了一个名为SEA（统计共现、专家校正和人工智能对齐）的分类框架，该框架结合了统计共现分析、专家知识（香水分类体系）以及基于百科全书和气味相关科学文献定义的人工智能辅助语义对齐技术。我们进一步展示了一个统一标注的气味数据集——OdorNet，这是迄今为止最大的包含统一嗅觉标签的分子数据集，其中包含超过20,000个条目和9,000种独特分子，这些数据来自学术文献（1960–2021年）和开放数据库。该框架将杂乱无章的标签整合成一个层次化的系统，构成了该领域迄今为止最广泛有效的词汇覆盖范围。技术验证表明，在OdorNet上训练的基线模型的Macro F1分数达到了0.42，这一成绩远高于使用相同模型但在没有SEA基于标签的分类体系的情况下在常见气味数据集上获得的分数。这表明OdorNet能够更好地捕捉可学习的气味-结构之间的关系，为数字气味编辑和人机交互奠定了坚实的基础。