RGCVAE：用于分子设计的关系图条件变分自编码器
机器学习
2023-06-09 v2 人工智能
生物大分子
摘要
寻找具有某些预指定性质的分子是一个难以解决的问题。在过去几年中，深度生成模型已被用于分子生成。深度图变分自编码器是其中最强大的机器学习工具之一，可用于解决该问题。然而，现有方法难以捕捉真实数据分布且往往计算代价高昂。在本工作中，我们提出 RGCVAE，一种基于以下两点的高效且有效的图变分自编码器：(i) 利用一种新型强大的关系图同构网络的编码网络；(ii) 一种新颖的概率解码组件。在两个广泛采用的数据集上相较于若干 SOTA VAE 方法，RGCVAE 展现出 SOTA 的分子生成性能，同时训练速度显著更快。
引用
@article{arxiv.2305.11699,
title = {RGCVAE: Relational Graph Conditioned Variational Autoencoder for Molecule Design},
author = {Davide Rigoni and Nicolò Navarin and Alessandro Sperduti},
journal= {arXiv preprint arXiv:2305.11699},
year = {2023}
}