分子图上的稀疏层次表示学习
机器学习
2019-08-07 v1 机器学习
摘要
用于稀疏层次表示学习的架构近来已被提出用于图结构数据，但迄今都假设图中不存在边特征。我们弥补了这一缺口，受化学层次性质的启发，提出了一种对边特征图进行池化的方法。具体而言，我们引入了两种与边特征图卷积架构兼容的池化层，并在 MoleculeNet 的两个分类和两个回归基准数据集上，考察了它们对药物发现相关分子的性能。我们发现，我们的模型在三个数据集上显著优于先前的基准，并在第四个基准上达到了最先进（SOTA）结果；池化在四个任务中的三个上提升了性能，在第四个任务上保持性能稳定，并普遍加快了训练过程。
引用
@article{arxiv.1908.02065,
title = {Sparse hierarchical representation learning on molecular graphs},
author = {Matthias Bal and Hagen Triendl and Mariana Assmann and Michael Craig and Lawrence Phillips and Jarvist Moore Frost and Usman Bashir and Noor Shaker and Vid Stojevic},
journal= {arXiv preprint arXiv:1908.02065},
year = {2019}
}
备注
4 pages, 2 figures, accepted as a DLG 2019 workshop paper at KDD 2019