路径增强图 Transformer 网络
机器学习
2019-05-31 v1 机器学习
摘要
近期许多关于分子表示学习的工作都基于图卷积网络（GCN）。这些模型依赖于局部聚合操作，因此可能遗漏高阶图性质。为弥补这一点，我们提出了路径增强图 Transformer 网络（PAGTN），其显式构建于图结构数据中更长程的依赖关系上。具体而言，我们利用分子图中的路径特征来创建全局注意力层。我们将 PAGTN 模型与 GCN 模型进行比较，表明我们的模型在包括量子化学（QM7、QM8、QM9）、物理化学（ESOL、Lipophilicity）和生化（BACE、BBBP）在内的分子性质预测数据集上持续优于 GCN。
引用
@article{arxiv.1905.12712,
title = {Path-Augmented Graph Transformer Network},
author = {Benson Chen and Regina Barzilay and Tommi Jaakkola},
journal= {arXiv preprint arXiv:1905.12712},
year = {2019}
}
备注
Appears in ICML LRG Workshop