DLGNet：基于有向线图的超边分类用于化学反应
机器学习
2024-10-10 v1 人工智能
摘要
图和超图提供了对感兴趣实体之间相互作用的强大抽象，由于在多个领域中成功的应用，正迎来不断增长的关注。特别是在化学和生物学领域，如药物发现和分子生成等领域，应用正在快速扩展。在其中一个快速增长的领域是化学反应领域，其中化学反应可以自然地编码为超图的有向超边。在本文中，我们通过引入与给定有向超图相关联的有向线图（Directed Line Graph, DGL）的表示，来解决化学反应分类问题。基于此，我们构建了有向线图网络（DLGNet），这是一种首次专为通过DLG转换在超图上运行的谱基图神经网络（GNN）。DLGNet的基础是一种新型厄米矩阵——有向线图拉普拉斯算子（Directed Line Graph Laplacian），它通过DLG表示紧凑地编码了在有向超边中发生的相互作用的方向性。有向线图拉普拉斯算子具有许多良好属性，包括可特征值分解且为正半定，从而使其在谱基GNN中具有良好适用性。通过在化学反应数据集上进行大量实验，我们展示了DLGNet显著优于现有方法，在一组真实数据集上实现了平均相对百分比提升为33.01%，最高提升为37.71%。
引用
@article{arxiv.2410.06969,
title = {DLGNet: Hyperedge Classification through Directed Line Graphs for Chemical Reactions},
author = {Stefano Fiorini and Giulia M. Bovolenta and Stefano Coniglio and Michele Ciavotta and Pietro Morerio and Michele Parrinello and Alessio Del Bue},
journal= {arXiv preprint arXiv:2410.06969},
year = {2024}
}