用于分子图生成的图残差流
机器学习
2019-10-01 v1 机器学习
摘要
分子图的统计生成模型吸引了生物与化学信息学领域众多研究者的关注。在这些模型中,基于可逆流的方案尚未被充分探索。本文提出一种强大的分子图可逆流,称为图残差流(GRF)。GRF 基于残差流,其以比传统耦合流更灵活复杂的非线性映射而著称。我们从理论上推导出 GRF 可逆的非平凡条件,并给出在训练与采样全过程保持整体流可逆的方法。实验结果表明,基于所提 GRF 的生成模型取得了可比的生成性能,且可训练参数数量远少于现有基于流的模型。
引用
@article{arxiv.1909.13521,
title = {Graph Residual Flow for Molecular Graph Generation},
author = {Shion Honda and Hirotaka Akita and Katsuhiko Ishiguro and Toshiki Nakanishi and Kenta Oono},
journal= {arXiv preprint arXiv:1909.13521},
year = {2019}
}