3D-GSRD：基于选择性重遮盖解码的 3D 分子图自编码器
机器学习
2025-10-23 v2
摘要
掩码图建模（MGM）是分子表示学习（MRL）的有前景的方法之一。然而，将重遮盖解码的成功经验从 2D 扩展到 3D MGM 具有挑战性，主要源于两个相互冲突的挑战：避免 2D 结构泄露给解码器，同时仍为重遮盖原子提供充足的 2D 背景。为此，我们提出了 3D-GSRD：一种基于选择性重遮盖解码的 3D 分子图自编码器。3D-GSRD 的核心创新在于其选择性重遮盖解码（SRD），该方法仅从编码器表示中重新遮盖与 3D 相关的信息，同时保留 2D 图结构。SRD 与结构独立解码器协同集成到一个基于 3D 关系转换器（3D-ReTrans）编码器之中。我们分析表明，SRD 结合结构独立解码器可增强 MRL 中的编码器作用。大量实验表明，3D-GSRD 在广泛使用的 MD17 分子属性预测基准中在 7 个目标上实现了强大的下游性能，达到新的状态-of-the-art。代码已发布于 https://github.com/WuChang0124/3D-GSRD。
引用
@article{arxiv.2510.16780,
title = {3D-GSRD: 3D Molecular Graph Auto-Encoder with Selective Re-mask Decoding},
author = {Chang Wu and Zhiyuan Liu and Wen Shu and Liang Wang and Yanchen Luo and Wenqiang Lei and Yatao Bian and Junfeng Fang and Xiang Wang},
journal= {arXiv preprint arXiv:2510.16780},
year = {2025}
}