面向图能量模型的对抗 Stein 训练
机器学习
2021-08-31 v1
摘要
学习图结构数据上的分布是一项具有诸多生物学与化学应用挑战性的任务。在本工作中，我们使用基于多通道图神经网络（GNN）的能量基模型（EBM）来学习图上置换不变的非归一化密度函数。与标准 EBM 训练方法不同，我们的方法是通过最小化对抗 Stein 差异来学习模型。模型的样本可通过基于 Langevin 动力学的 MCMC 获得。我们发现，与基准模型相比，该方法在图生成上取得了有竞争力的结果。
引用
@article{arxiv.2108.12982,
title = {Adversarial Stein Training for Graph Energy Models},
author = {Shiv Shankar},
journal= {arXiv preprint arXiv:2108.12982},
year = {2021}
}
备注
Appeared at Machine Learning for Molecules Workshop at NeurIPS 2020.https://ml4molecules.github.io