用于发现与融合分子中关系的谱多重图网络
机器学习
2018-11-26 v1 人工智能
机器学习
摘要
谱图卷积网络 (GCNs) 是将卷积网络推广到图结构数据学习的模型。谱 GCNs 的应用已取得成功，但局限于图固定的一些问题，如形状对应和节点分类。在本工作中，我们通过重新审视一类特定的谱图网络——Chebyshev GCNs，解决此局限，展示其在处理图结构与大小可变的图分类任务中的效力。Chebyshev GCNs 限制任意节点对之间至多有一条边。为此，我们提出一种从多关系图中学习的新颖多重图网络。我们对具有抽象含义的学习边进行建模，并尝试不同方式来融合从标注边与学习边中提取的表示，在多种化学分类基准上取得了有竞争力的结果。
关键词
引用
@article{arxiv.1811.09595,
title = {Spectral Multigraph Networks for Discovering and Fusing Relationships in Molecules},
author = {Boris Knyazev and Xiao Lin and Mohamed R. Amer and Graham W. Taylor},
journal= {arXiv preprint arXiv:1811.09595},
year = {2018}
}
备注
11 pages, 5 figures, NIPS 2018 Workshop on Machine Learning for Molecules and Materials