KA-GNN：基于Kolmogorov-Arnold图神经网络的分子性质预测
机器学习
2024-12-19 v2 定量方法
摘要
作为几何深度学习中的关键模型，图神经网络在分子数据分析中展现出巨大的潜力。最近，一种特殊设计的学习方案，即Kolmogorov-Arnold网络（KAN），显示出独特的潜力，用于提高模型的准确性、效率和可解释性。本文提出了首个基于Kolmogorov-Arnold网络的图神经网络（KA-GNN），包括基于KAN的图卷积网络（KA-GCN）和基于KAN的图注意力网络（KA-GAT）。核心思想是利用KAN独特的能力，在三个主要层面优化图神经网络架构，包括节点嵌入、消息传递和读取。进一步地，借助傅里叶级数的强_approximation 能力，我们开发了基于傅里叶级数的KAN模型，并对该傅里叶KAN架构的鲁棒_approximation 能力提供了严格的数学证明。为验证我们的KA-GNN，我们考虑七个最广泛使用的分子性质预测基准数据集，并与现有最先进模型进行了广泛比较。发现我们的KA-GNN可以超越传统图神经网络。更重要的是，我们的傅里叶KAN模块不仅可以提高模型准确性，还可以减少计算时间。这一工作不仅凸显了KA-GNN在分子性质预测中的强大潜力，也为一般非欧几里得数据分析提供了一种新的几何深度学习框架。
引用
@article{arxiv.2410.11323,
title = {KA-GNN: Kolmogorov-Arnold Graph Neural Networks for Molecular Property Prediction},
author = {Longlong Li and Yipeng Zhang and Guanghui Wang and Kelin Xia},
journal= {arXiv preprint arXiv:2410.11323},
year = {2024}
}