评估分子图嵌入的自监督学习
机器学习
2023-10-19 v3 定量方法
摘要
图自监督学习(GSSL)提供了一种无需专家标注即可获取嵌入的稳健途径,由于潜在分子数量惊人且获取标签成本高昂,这一能力对分子图具有深远影响。然而,GSSL方法并非为特定领域内的优化而设计,而是为跨多种下游任务的迁移性而设计。这种广泛的适用性使其评估变得复杂。为应对这一挑战,我们提出“分子图表示评估”(MOLGRAPHEVAL),利用可解释且多样化的属性生成分子图嵌入的详细画像。MOLGRAPHEVAL提供一组探测任务,分为三类:(i)通用图,(ii)分子子结构,以及(iii)嵌入空间属性。通过利用MOLGRAPHEVAL将现有GSSL方法与当前下游数据集及我们的任务套件进行基准比较,我们发现了仅基于现有数据集得出的推断与基于更细致探测得出的推断之间的显著不一致。这些发现表明,当前的评估方法未能捕捉全貌。
引用
@article{arxiv.2206.08005,
title = {Evaluating Self-Supervised Learning for Molecular Graph Embeddings},
author = {Hanchen Wang and Jean Kaddour and Shengchao Liu and Jian Tang and Joan Lasenby and Qi Liu},
journal= {arXiv preprint arXiv:2206.08005},
year = {2023}
}
备注
Camera ready, NeurIPS Benchmark 2023