ComENet：面向三维分子图的完备高效消息传递
机器学习
2022-09-30 v3
摘要
许多真实世界数据可建模为三维图，但学习能完整且高效融入三维信息的表示具有挑战性。现有方法要么仅使用部分三维信息，要么面临过高的计算开销。为完整且高效地融入三维信息，我们提出一种在1跳邻域内运作的新型消息传递方案。我们的方法通过实现全局与局部完备性，保证了三维图上三维信息的完全完备性。值得注意的是，我们提出了重要的旋转角以满足全局完备性。此外，我们表明该方法比先前方法快数个数量级。我们给出了方法的完备性严格证明与时间复杂度分析。由于分子本质上是量子系统，我们结合量子启发的基函数与上述消息传递方案，构建了完备且高效的图神经网络（ComENet）。实验结果证明了ComENet的能力与效率，尤其在图的数量与规模均较大的真实世界数据集上。我们的代码作为DIG库的一部分公开可用（\url{https://github.com/divelab/DIG}）。
引用
@article{arxiv.2206.08515,
title = {ComENet: Towards Complete and Efficient Message Passing for 3D Molecular Graphs},
author = {Limei Wang and Yi Liu and Yuchao Lin and Haoran Liu and Shuiwang Ji},
journal= {arXiv preprint arXiv:2206.08515},
year = {2022}
}
备注
The paper has been accepted by NeurIPS 2022. You can also cite the conference version