GraphDF：一种用于分子图生成的离散流模型
机器学习
2021-06-03 v2 人工智能
摘要
我们考虑使用深度模型进行分子图生成的问题。虽然图是离散的，但大多数现有方法使用连续潜变量，导致对离散图结构的不精确建模。在这项工作中，我们提出 GraphDF，一种基于归一化流方法的用于分子图生成的新型离散潜变量模型。GraphDF 使用可逆模移位变换将离散潜变量映射到图节点和边。我们表明，使用离散潜变量降低了计算成本并消除了去量化带来的负面影响。综合实验结果表明，GraphDF 在随机生成、属性优化和约束优化任务上优于先前的方法。
引用
@article{arxiv.2102.01189,
title = {GraphDF: A Discrete Flow Model for Molecular Graph Generation},
author = {Youzhi Luo and Keqiang Yan and Shuiwang Ji},
journal= {arXiv preprint arXiv:2102.01189},
year = {2021}
}
备注
Accepted by ICML 2021