生成分子图的图形 VAE 和图形 Transformer 方法
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
这项研究提出了通过结构和参数优化将 Transformer 和 VAE 两种模型相结合的方法,以处理多样化的分子。该模型在生成分子方面表现出与现有模型相当的性能,并且在生成未见结构的分子方面表现出远超卓越的性能。此研究通过 VAE 的潜在表示成功预测了分子性质。消融研究表明 VAE 在生成新型分子方面具有优势,分子可以用比现有描述符和模型小得多的~32 个维度变量进行描述。该研究有望提供一个包含各种化合物的虚拟化学库,以进行虚拟筛选并实现高效筛选。
Feb, 2024
本文提出一种替代图卷积网络 (GCN) 编码器的简单线性模型来学习节点的向量表示,并通过实验证明在多个现实世界的图中,如 Cora、Citeseer 和 Pubmed 引文网络上,其表现与基于 GCN 的模型相当,这结果对于评估复杂图自动编码器和变分自动编码器的实际实用价值具有重要意义。
Oct, 2019
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