GraphGANFed：面向高效药物发现的图结构分子联邦生成框架
机器学习
2023-04-13 v1 人工智能
摘要
深度学习的最新进展加速了其于细胞图像分析与分子发现等多种应用中的使用。在分子发现中，生成对抗网络（GAN）因能高效地从大规模分子数据集中学习并生成保留相似性质的新分子，而成为首要技术之一；该网络由一个判别器（区分生成分子与已有分子）和一个生成器（生成新分子）组成。然而，由于分子数据集具有地理分布广泛且敏感的特性，不同制药公司可能不愿或无法共享其本地数据集，从而无法以集中式方式训练 GAN。本文提出一种通过联邦学习实现的生成对抗网络中的图卷积网络（GraphGANFed）框架，其将图卷积神经网络（GCN）、GAN 与联邦学习（FL）集成为整体系统，以在不共享本地数据集的情况下生成新分子。在 GraphGANFed 中，判别器以 GCN 实现，以更好地从表示为分子图的分子中捕捉特征；FL 用于以分布式方式训练判别器与生成器，从而保护数据隐私。基于三个基准数据集进行了大量仿真，以证明 GraphGANFed 的可行性与有效性。GraphGANFed 生成的分子可实现高新颖性（=100）与多样性（> 0.9）。仿真结果还表明：1）较低复杂度的判别器模型可更好地避免较小数据集的模式崩溃；2）不同评价指标之间存在权衡；3）生成器与判别器具有合适的丢弃率可避免模式崩溃。
引用
@article{arxiv.2304.05498,
title = {GraphGANFed: A Federated Generative Framework for Graph-Structured Molecules Towards Efficient Drug Discovery},
author = {Daniel Manu and Jingjing Yao and Wuji Liu and Xiang Sun},
journal= {arXiv preprint arXiv:2304.05498},
year = {2023}
}
备注
13 pages, 9 figures