图神经网络最近的成功极大地促进了分子性质的预测，促进了药物发现等活动。现有的深度神经网络方法通常对每个属性都需要大量的训练数据集，在实验数据量有限的情况下(特别是新的分子属性)会影响其性能，这在实际情况中是常见的。为此，我们提出了Meta-MGNN，一种新颖的预测少样本分子性质的模型。Meta-MGNN应用分子图神经网络学习分子表示，建立元学习框架优化模型。为了挖掘未标记的分子信息，解决不同分子属性的任务异质性，Meta-MGNN进一步将分子结构、基于属性的自监督模块和自关注任务权重整合到Meta-MGNN框架中，强化了整个学习模型。在两个公共多属性数据集上进行的大量实验表明，Meta-MGNN优于各种最先进的方法。

https://arxiv.org/abs/2102.07916