NeVAE：一种用于分子图的深度生成模型
机器学习
2019-09-09 v4 物理与社会
机器学习
摘要
深度生成模型因其能够学习图像、文本和音频的平滑隐表示而受到赞誉，这些表示随后可用于生成新的、合理的数据。然而，当前的生成模型由于分子图的独特特征而无法处理分子图——其底层结构既非欧几里得也非网格状，在节点标签置换下保持同构，并且具有不同数量的节点和边。在本文中，我们首先提出了一种新颖的用于分子图的变分自编码器，其编码器和解码器通过若干技术创新专门设计以考虑上述性质。此外，与最先进水平相比，我们的解码器能够提供其所生成分子的原子空间坐标。然后，我们开发了一种基于梯度的算法来优化我们模型的解码器，使其学习生成最大化某些感兴趣属性值的分子，并且对于给定的感兴趣分子，能够优化其原子的空间构型以获得更高稳定性。实验表明，我们的变分自编码器比几种最先进模型更有效地发现合理、多样且新颖的分子。此外，对于若干感兴趣属性，我们优化后的解码器能够识别出属性值比基于贝叶斯优化和强化学习的几种最先进方法所识别的高出 121% 的分子。
引用
@article{arxiv.1802.05283,
title = {NeVAE: A Deep Generative Model for Molecular Graphs},
author = {Bidisha Samanta and Abir De and Gourhari Jana and Pratim Kumar Chattaraj and Niloy Ganguly and Manuel Gomez-Rodriguez},
journal= {arXiv preprint arXiv:1802.05283},
year = {2019}
}
备注
Accepted in AAAI 2019