May, 2019

GraphNVP：一种用于生成分子图的可逆流模型

PDF
TL;DR本文提出了 GraphNVP，这是第一个可逆的基于正则化流的分子图生成模型，它将图的生成分解为两个步骤：邻接张量和节点属性的生成，通过两个新颖的可逆流，实现了图结构化数据上的精确似然最大化，我们在实证上证明了该模型能够高效生成几乎没有重复分子的有效分子图，并且发现所学习到的潜在空间可以用于生成具有期望化学性质的分子。
发现论文，激发创造
  • MoFlow：一种可逆流模型，用于生成分子图

    本研究提出了一种基于流的图生成模型 MoFlow，它具有准确和可追踪的似然训练、高效的一次嵌入和生成、化学有效性保证、对训练数据的 100% 重构以及较好的泛化能力，而且该模型在分子图生成、性质优化和受约束性质优化等四项任务中均表现最新的性能。

    Jun, 2020

  • 分子图生成的图残差流

    本文提出了一种名为图残流的强大可逆分子图形生成流方法，所得到的生成模型具有可比拟的生成性能和较少的可训练参数。

    Sep, 2019

  • GraphDF: 分子图生成的离散流模型

    本研究中，我们提出了一种名为 GraphDF 的离散潜变量模型，使用归一化流方法解决了利用深度模型生成分子图时因离散图结构建模的不准确性而导致的连续潜变量的问题。我们使用可逆的模数转换将离散潜变量映射为图节点和边，实验证明该方法在随机生成、属性优化和约束优化任务中优于先前方法。

    Feb, 2021

  • 图形规范化流

    本文提出了一种新型、基于图的生成模型 —— 图可逆正则流，并尝试将其应用于监督学习和非监督学习任务中，与其他自回归模型相比表现良好且更适合于并行计算架构。

    May, 2019

  • 自由形式流动：使任何架构成为标准化流量

    我们通过使用梯度的有效估计器来克服了正规化流设计受到解析可逆性需求的约束，并实现了任意保持维度的神经网络作为最大似然训练的生成模型，在分子生成基准测试中取得了出色的结果，同时采用现成的 ResNet 架构在一个反问题基准测试中具有竞争力。

    Oct, 2023

  • E (n) 等变标准化流

    介绍了一种生成模型，E（n）同变标准化流（E -NFs），并将歧视性的 E（n）图神经网络作为微分方程集成为可逆的同变函数：连续时间标准化流。它在粒子系统（如 DW4 和 LJ13）以及 QM9 的分子方面表现出了比基线和现有方法更好的对数似然度，是第一种共同生成 3D 中分子特征和位置的流。

    May, 2021

  • 使用 GNN 特性预测器作为分子生成器

    利用可逆神经网络直接生成具有期望电子性质的分子结构，该方法不需要对分子结构进行额外训练，通过严格的图构建规则确保化合价规则，将该方法应用于生成具有特定能隙和分配系数（logP）的分子，并在生成更多样化分子的同时，以与最先进的生成模型相媲美甚至更好的速率实现目标性质。

    Jun, 2024

  • 图形正态流

    本文提出了一种基于贝叶斯网络和图结构的图归一化流模型，在保留贝叶斯网络的可解释性和图归一化流的表示能力的同时，为将领域知识注入图归一化流提供了一个有前途的方法。

    Jun, 2020

  • 可扩展的归一化流为大分子提供玻尔兹曼生成器

    利用分裂通道和门控注意力的新型流架构，结合 2-Wasserstein 损失函数，使得 Boltzmann 生成器能够有效地学习蛋白质的构象分布，并在标准架构和训练策略无法成功的情况下，成功地模拟了蛋白质 G 和 HP35 的构象分布。

    Jan, 2024

  • 基于粒子的流体力学问题的 E ($3$) 等变图神经网络

    采用等变图神经网络比其非等变神经网络在动态交互模型中能够更准确地学习流体力学系统的运动，并发现等变模型可以对湍流流量进行粗粒化建模和参数推广。

    Mar, 2023