构建高效且具表达力的三维等变图神经网络的新视角
机器学习
2023-04-12 v1 人工智能
摘要
几何深度学习能够在建模三维物体时编码物理对称性。尽管将三维对称性编码进图神经网络（GNN）取得了快速进展，但通过局部到全局分析对这些网络的表达力进行全面评估目前仍属空白。本文提出一种三维同构的局部层次结构来评估等变 GNN 的表达能力，并研究从局部块表示全局几何信息的过程。我们的工作引出了设计具表达力且高效的几何 GNN 的两个关键模块，即局部子结构编码（LSE）和框架转移编码（FTE）。为展示我们理论的适用性，我们提出了 LEFTNet，其有效实现了这些模块，并在标量值与向量值的分子性质预测任务上均取得了最先进的性能。我们进一步指出了等变图神经网络未来发展的设计空间。我们的代码可在 \url{https://github.com/yuanqidu/LeftNet} 获取。
引用
@article{arxiv.2304.04757,
title = {A new perspective on building efficient and expressive 3D equivariant graph neural networks},
author = {Weitao Du and Yuanqi Du and Limei Wang and Dieqiao Feng and Guifeng Wang and Shuiwang Ji and Carla Gomes and Zhi-Ming Ma},
journal= {arXiv preprint arXiv:2304.04757},
year = {2023}
}