基于片段的层次分子表示学习通过自监督嵌入预测
机器学习
2026-02-25 v1 人工智能
定量方法
摘要
图自监督学习（GSSL）已显示出在无需人工标注的情况下生成表达图嵌入的强大潜力，这在标注成本高昂的域（如分子图分析）中尤其有价值。然而，现有的 GSSL 方法大多关注节点或边缘级别的信息，往往忽略化学相关的亚结构，这些亚结构对分子性质具有强大的影响。在本工作中，我们提出了 Graph Semantic Predictive Network（GraSPNet），一个层次自监督框架，显式建模原子级别和片段级别的语义。GraSPNet 在没有预定义词汇表的情况下将分子图分解为化学上有意义的片段，并通过多级消息传递在节点和片段级别进行掩码语义预测，从而学习节点和片段级别的表示。这种层次语义监督使 GraSPNet 能够学习既具表达性又具可迁移性的多分辨率结构信息。在多个分子属性预测基准测试上的大量实验表明，GraSPNet 学习到了化学上有意义的表示，并在迁移学习设置下持续优于最新的 GSSL 方法。
引用
@article{arxiv.2602.20344,
title = {Hierarchical Molecular Representation Learning via Fragment-Based Self-Supervised Embedding Prediction},
author = {Jiele Wu and Haozhe Ma and Zhihan Guo and Thanh Vinh Vo and Tze Yun Leong},
journal= {arXiv preprint arXiv:2602.20344},
year = {2026}
}
备注
15 pages (8 pages main text),8 figures