基于边注意力的多关系图卷积网络
机器学习
2022-03-03 v2 机器学习
摘要
图卷积网络（GCN）是卷积神经网络（CNN）在任意结构图上的推广。训练GCN时通常使用二值邻接矩阵。近年来，注意力机制使网络能够学习对邻域的动态自适应聚合。我们针对边由多视角或精确地说由多种关系刻画的图像提出了一种新的GCN模型。例如，在化学图论中，化合物结构常由去氢分子图表示，其中节点对应原子、边对应化学键。多种属性可用于刻画化学键，如原子对（键所连接的原子类型）、芳香性以及键是否位于环中。不同属性导致同一分子的不同图表示。化学与机器学习领域日益增长的研究兴趣在于直接从分子图而非化学家预定义的指纹学习化合物的分子性质。我们提出的GCN模型称为基于边注意力的多关系GCN（EAGCN），在图卷积中联合学习注意力权重与节点特征。对于每个键属性，使用实值注意力矩阵替代二值邻接矩阵。通过设计边注意力字典，并查字典形成每个分子的注意力矩阵，EAGCN利用了不同分子中键的对应关系。化合物性质的预测基于聚合的节点特征，与变化的分子（图）大小无关。我们在多个化学数据集（Tox21、HIV、Freesolv和Lipophilicity）上展示了EAGCN的有效性，并对所得注意力权重进行了解释。
引用
@article{arxiv.1802.04944,
title = {Edge Attention-based Multi-Relational Graph Convolutional Networks},
author = {Chao Shang and Qinqing Liu and Ko-Shin Chen and Jiangwen Sun and Jin Lu and Jinfeng Yi and Jinbo Bi},
journal= {arXiv preprint arXiv:1802.04944},
year = {2022}
}
备注
Haven't meet my expectations