关于大规模分子性质预测的图神经网络集成方法
机器学习
2021-06-30 v1
摘要
为推动大规模图机器学习，于 KDD Cup 2021 提出了开放图基准大规模挑战赛（OGB-LSC）。PCQM4M-LSC 数据集在约 380 万张图上定义了分子 HOMO-LUMO 性质预测任务。在本短文中，我们展示了当前进行中的解决方案，其基于 GIN、贝叶斯神经网络和 DiffPool 构建了三个图神经网络模型的集成。我们的方法比提供的基线高出 7.6%。此外，利用集成预测中的不确定性，我们可以识别难以预测其 HOMO-LUMO 能隙的分子（Pearson 相关系数为 0.5181）。我们预期这将促进主动学习。
引用
@article{arxiv.2106.15529,
title = {On Graph Neural Network Ensembles for Large-Scale Molecular Property Prediction},
author = {Edward Elson Kosasih and Joaquin Cabezas and Xavier Sumba and Piotr Bielak and Kamil Tagowski and Kelvin Idanwekhai and Benedict Aaron Tjandra and Arian Rokkum Jamasb},
journal= {arXiv preprint arXiv:2106.15529},
year = {2021}
}
备注
7 pages, 1 figure, 1 table