Разработана комплексная модель для предсказания физических свойств полимеров по SMILES-строкам с использованием фильтрации R-групп, унификации представления через RDKit и многоисточниковую агрегацию внешних данных. Применён гибридный подход: GNN для молекулярных графов, CatBoost на химических дескрипторах и XGBoost на фингерпринтах — с последующей линейной фьюзингом моделей. Решение обеспечивает устойчивость к шуму изомерам и вычислительным ограничениям Kaggle-окружения. Подходит для масштабирования в MLOps и интеграции в production-системы. machine-learning, ml-framework, ai-native GitHub
Kaggle-NeurIPS---Open-Polymer-Prediction-2025-Silver-Algorithm-Overview
Разработана комплексная модель для предсказания физических свойств полимеров по SMILES-строкам с использованием фильтрации R-групп, унификации представления через RDKit и многоисточниковую агрегацию внешних данных. Применён гибридный подход: GNN для молекулярных графов, CatBoost на химических дескрипторах и XGBoost на фингерпринтах — с последующей линейной фьюзингом моделей. Решение обеспечивает устойчивость к шуму
изомерам и вычислительным ограничениям Kaggle-окружения. Подходит для масштабирования в MLOps и интеграции в production-системы.
machine-learning, ml-framework, ai-native
