面向分子图神经网络的Weisfeiler-Lehman嵌入
机器学习
2020-08-19 v2 机器学习
摘要
图神经网络(GNN)是预测分子化学性质的良好选择。然而，与其他深度网络相比，当前GNN的性能受限于“深度诅咒”。受化学领域长期存在的特征工程启发，我们利用Weisfeiler-Lehman(WL)嵌入扩展了原子表示，该嵌入旨在捕捉主导分子化学性质的原子的局部模式。在可表示性方面，我们表明WL嵌入能够以更小的权值范数替代ReLU GNN的前两层——常规嵌入层与一个隐藏GNN层。随后我们证明，在多种GNN架构与若干分子图数据集上，WL嵌入一致地提升了经验性能。
引用
@article{arxiv.2006.06909,
title = {Weisfeiler-Lehman Embedding for Molecular Graph Neural Networks},
author = {Katsuhiko Ishiguro and Kenta Oono and Kohei Hayashi},
journal= {arXiv preprint arXiv:2006.06909},
year = {2020}
}
备注
Reference Updated. An implementation example is included in Chainer Chemistry Ver 0.7.1: see https://github.com/chainer/chainer-chemistry