应用强化学习解码分子图嵌入
本文提出一种基于变分自编码的图结构模型，用于生成符合已有数据分布的化学分子结构，并通过实验数据分析表明该模型在分子生成任务上表现较好，同时使用合适的隐空间设计允许生成具备特定性质的分子。
May, 2018
本文提出一种基于变分自编码器的方法，通过直接输出预先定义大小的概率性的全连接图来解决学习图嵌入任务中的线性化困境，并在分子生成任务中进行了评估。
Feb, 2018
本文提出了一种适用于分子结构的、特别设计了多项技术创新的变分自编码器，并发展了一个梯度优化算法用于优化其生成分子的能力，实验结果表明该模型比多种现有模型更能够有效地发现合理、多样且新颖的分子。
Feb, 2018
本文提出可变图自编码器 (VGAE) 框架，用于处理基于变分自编码器 (VAE) 的图结构数据无监督学习模型。该模型基于潜在变量，能够学习图的可解释的潜在表示。在引文网络的链接预测任务中，我们使用图卷积网络 (GCN) 编码器和内积解码器来展示该模型。与大多数现有的图结构数据和链接预测无监督学习模型相比，我们的模型可以自然地融入节点特征，从而在许多基准数据集上显著提高预测性能。
Nov, 2016
本文提出了 RGCVAE 方法，使用关系图同构网络进行编码，使用新的概率解码组件进行解码，即可在训练时间显著减少的情况下，展现出与几种最先进的熵编码自编码器相媲美的分子生成性能。
May, 2023
本论文提出了一种结合了变分自动编码器和基于变压器模型的图卷积和图池化层的方法，直接对图进行操作，能够生成具有可解释特性的潜空间和有效生成分子的模型。
Apr, 2021
本文提出了一种基于 junction tree variational autoencoder 生成具有化学相关性的分子图的方法，能够在保持化学有效性的情况下，通过生成固定结构的分子骨架并使用图消息传递网络组合它们。研究人员在多个任务上进行了评估，并发现该方法明显优于之前的最先进基准。
Feb, 2018
本研究论文介绍了使用 Gaussian mixture variational autoencoder（GMVAE）进行分子模拟数据的降维和聚类，以及其在构建 Markov 状态模型方面的潜在应用。
Dec, 2019
研究了多个当代分子生成模型在同等条件下的表现，发现它们的重构准确度令人惊讶地低，并且对于图分子的重构存在后验坍塌现象，但这并不直接导致更好的样本采样或优化性能。
May, 2023
本文介绍一种新的分子超图文法变分自编码器 (MHG-VAE)，通过使用一个单一的 VAE 结合基于贝叶斯优化的技术，利用分子超图文法编码硬化学限制来指导 VAE 生成有效的分子，以解决分子优化中的两大挑战：有效性和成本效益。
Sep, 2018