基于图超网络的分子性质预测与分类
机器学习
2020-02-04 v1 机器学习
摘要
图神经网络目前在基于学习的分子性质预测与分类中处于性能榜首。因此，计算化学已成为通用图神经网络以及专用消息传递方法的重要试验台。在这项工作中，我们证明用超网络替换底层网络可提升性能，在各种基准上取得最先进（state of the art）结果。超网络应用中的一个主要困难是其缺乏稳定性。我们通过结合当前消息与第一条消息来解决此问题。近期的一项工作在纠错码背景下通过用其低阶 Taylor 近似替换消息传递网络的激活函数来解决超网络的训练不稳定性。我们证明我们的通用解可以替代这一特定领域的解。
引用
@article{arxiv.2002.00240,
title = {Molecule Property Prediction and Classification with Graph Hypernetworks},
author = {Eliya Nachmani and Lior Wolf},
journal= {arXiv preprint arXiv:2002.00240},
year = {2020}
}