利用正交化与诱导稀疏性提升分子图神经网络可解释性
机器学习
2021-09-09 v4 机器学习
摘要
解释分子图卷积神经网络（GCNN）的预测由分子的哪些部分驱动可能较为困难。为此，我们提出两种在 GCNN 训练过程中应用的简单正则化技术：批量表示正交化（BRO）与基尼正则化。BRO 受分子轨道理论启发，鼓励图卷积操作生成正交的节点嵌入。基尼正则化应用于输出层的权重，限制模型可用于预测的维度数量。我们表明，在人工基准数据集上，基尼与 BRO 正则化能够提升最先进 GCNN 归因方法的准确性。在真实场景中，我们证明药物化学家明显更偏好从正则化模型提取的解释。尽管我们仅在 GCNN 背景下研究这些正则化器，二者均可应用于其他类型的神经网络。
引用
@article{arxiv.2105.04854,
title = {Improving Molecular Graph Neural Network Explainability with Orthonormalization and Induced Sparsity},
author = {Ryan Henderson and Djork-Arné Clevert and Floriane Montanari},
journal= {arXiv preprint arXiv:2105.04854},
year = {2021}
}
备注
Fixed typo and reference