分子图的层级潜在表示与潜在空间
机器学习
2019-04-05 v1
摘要
分子图通常包含可识别且在组成、功能、几何等方面重要的子图（称为基团）。扁平潜在表示（节点嵌入或图嵌入）无法表示并支持基团的使用。另一方面，完全层次化潜在表示难以学习，且即便学成也可能过于复杂而难以使用或解释。我们提出分子图的层级潜在表示与潜在空间，作为一种显式表示并利用基团的简单方法，其包含原子（节点）层、基团层和分子（图）层。具体而言，我们提出一种使用图自编码器、图神经网络、可微基团池化和隶属度矩阵学习层级潜在表示与潜在空间的架构。我们讨论了其确定性与概率性模型中各组件、主要挑战和相关工作。我们还简要讨论了层级潜在空间的使用与探索。该层级方法适用于与分子图性质类似的其他类型结构化图。
引用
@article{arxiv.1904.02653,
title = {Tiered Latent Representations and Latent Spaces for Molecular Graphs},
author = {Daniel T. Chang},
journal= {arXiv preprint arXiv:1904.02653},
year = {2019}
}