GeomGCL：面向分子性质预测的几何图对比学习
机器学习
2021-09-27 v1
摘要
近来许多工作致力于将图神经网络（GNNs）应用于分子性质预测，这是计算药物与材料发现中的一项基础任务。阻碍GNN成功预测分子性质的主要障碍之一是有标签数据的稀缺。尽管图对比学习（GCL）方法在标签数据不足的情况下取得了卓越性能，但大多数集中于为通用图设计数据增强方案。然而，对分子图使用（如随机扰动等）增强方法可能改变分子的基本属性。而在当前的GNN与GCL架构下，分子的关键几何信息仍鲜有被探索。为此，我们提出一种利用分子在2D与3D视图下几何信息的新型图对比学习方法，命名为GeomGCL。具体而言，我们首先设计了一种双视图几何消息传递网络（GeomMPNN）以自适应地利用分子2D与3D图的丰富信息。不同层次几何属性的引入可极大促进分子表示学习。随后设计了一种新型几何图对比方案，使两个几何视图相互协作监督以提升GeomMPNN的泛化能力。我们通过微调过程在各种下游性质预测任务上评估GeomGCL。在七个真实分子数据集上的实验结果证明了我们所提GeomGCL相对于最先进基线的有效性。
引用
@article{arxiv.2109.11730,
title = {GeomGCL: Geometric Graph Contrastive Learning for Molecular Property Prediction},
author = {Shuangli Li and Jingbo Zhou and Tong Xu and Dejing Dou and Hui Xiong},
journal= {arXiv preprint arXiv:2109.11730},
year = {2021}
}