使用PyTorch Geometric实现分子图的分层图自编码器
机器学习
2019-08-26 v1 机器学习
摘要
分子图的分层潜在表示和潜在空间提供了一种简单而有效的方法，用于显式表示和利用由原子（节点）层、基团层和分子（图）层组成的基团（例如官能团）。它们可以使用分层图自编码器架构进行学习。在本文中，我们讨论了如何使分层图自编码器适配PyTorch Geometric，既包括确定性分层图自编码器模型，也包括概率性分层变分图自编码器模型。我们还讨论了可以访问以提取分子图训练数据的分子结构信息来源。为了支持迁移学习，一个关键的考虑因素是信息必须利用标准的唯一分子和组成原子标识符。作为使用分层图自编码器进行深度学习的结果，每个分子图都拥有分层潜在表示。在每一层，潜在表示包括：节点特征、边索引、边特征、隶属矩阵和节点嵌入。这使得能够单独（节点层、基团层或图层）或联合地利用和探索分层分子潜在空间，以及在各层之间导航。
引用
@article{arxiv.1908.08612,
title = {Tiered Graph Autoencoders with PyTorch Geometric for Molecular Graphs},
author = {Daniel T. Chang},
journal= {arXiv preprint arXiv:1908.08612},
year = {2019}
}