基于结构知识精炼的图级蛋白质表示学习
机器学习
2024-01-08 v1 人工智能
生物大分子
摘要
本文聚焦于以无监督方式学习整个图级别的表示。图级表示学习在分子性质预测、蛋白质结构特征提取和社交网络分析等众多实际应用中扮演着重要角色。主流方法是利用对比学习来促进图特征提取，即图对比学习（GCL）。GCL虽然有效，但在对比学习中存在一些问题，例如假负样本对的影响。此外，GCL中的数据增强策略对不同图数据集的适应性较弱。受这些问题启发，我们提出了一种名为结构知识精炼（SKR）的新框架，该框架利用数据结构来确定一对样本是正样本还是负样本的概率。同时，我们提出了一种增强策略，该策略自然地保留了原始数据的语义含义，并与我们的SKR框架兼容。此外，我们通过直觉和实验说明了SKR框架的有效性。在图级分类任务上的实验结果表明，我们的SKR框架优于大多数最先进的基线方法。
引用
@article{arxiv.2401.02713,
title = {Graph-level Protein Representation Learning by Structure Knowledge Refinement},
author = {Ge Wang and Zelin Zang and Jiangbin Zheng and Jun Xia and Stan Z. Li},
journal= {arXiv preprint arXiv:2401.02713},
year = {2024}
}