面向可解释稀疏图表示学习的拉普拉斯池化方法
机器学习
2020-04-03 v4 生物大分子
机器学习
摘要
图神经网络（GNNs）近期的工作在分子活性与性质预测任务上取得了进展。遗憾的是，GNNs往往无法捕捉分子子结构之间相互作用的相对重要性，部分原因在于缺乏高效的中间池化步骤。为解决这些问题，我们提出LaPool（拉普拉斯池化，Laplacian Pooling），一种新颖的、数据驱动的且可解释的分层图池化方法，该方法同时考虑节点特征与图结构以改进分子表示。我们在分子图预测与理解任务上对LaPool进行基准测试，表明其优于近期的GNNs。有趣的是，LaPool在非分子任务上也保持竞争力。我们进行了定量与定性评估，以展示LaPool改进的可解释性，并凸显其在药物设计中的潜在益处。最后，我们将LaPool整合进一个对抗自编码器中，以展示其在生成有效且新颖分子方面的效用。
引用
@article{arxiv.1905.11577,
title = {Towards Interpretable Sparse Graph Representation Learning with Laplacian Pooling},
author = {Emmanuel Noutahi and Dominique Beaini and Julien Horwood and Sébastien Giguère and Prudencio Tossou},
journal= {arXiv preprint arXiv:1905.11577},
year = {2020}
}
备注
11 pages, with Appendices