旋转抽样：面向旋转不变性3D分子图神经网络的即插即用编码器
机器学习
2025-07-03 v1 生物大分子
摘要
图神经网络（GNN）在分子性质预测中取得了显著的成功，但传统的图表示方法难以有效编码分子在三维空间中的内在结构，因为分子在三维空间中的取向会引入显著的变异性，严重限制了模型的泛化和鲁棒性。现有方法主要关注旋转不变和旋转等变方法，其中，不变方法常依赖丰富的先验知识且通用性不足，而等变方法则面临高计算成本。为此，本文提出一种基于旋转抽样的 novel 3D 编码模块，实现即插即用。通过对SO(3)旋转群计算期望，该方法自然实现近似旋转不变性。此外，通过引入精心设计的后对齐策略，可在不牺牲性能的前提下实现严格的旋转不变性。在QM9和C10数据集上的实验评估表明，本方法在预测准确性、鲁棒性和泛化性能方面优于现有方法。此外，所提出的方法保持低的计算复杂度并具有更好的可解释性，为药物发现和材料设计中高效处理3D分子信息提供了可行的方向。
引用
@article{arxiv.2507.01073,
title = {Rotational Sampling: A Plug-and-Play Encoder for Rotation-Invariant 3D Molecular GNNs},
author = {Dian Jin},
journal= {arXiv preprint arXiv:2507.01073},
year = {2025}
}