用于图学习中信息平衡的度量

图学习在分子上利用来自分子结构以及附加该结构特征的信息。已对偏向结构或特征的工作进行了大量研究，旨在使偏差有助于性能。识别数据集偏好哪些信息源，以及因此如何处理该数据集的方法是开放问题。本文提出了噪声-噪声比差(NNRD)，一种用于是否更多有用的信息来自结构还是特征的定量度量。通过对特征和结构独立地进行迭代加噪声，同时保留另一方，NNRD 测量每一方信息的降解。我们在广泛的分子任务上应用 NNRD，并显示其对应于信息损失，结果直观且比简单的性能聚合更具表达性。我们的未来工作将集中于扩展数据域、任务和类型，以及细化我们选择的基线模型。