May, 2021

正交化和感应稀疏化改进分子图神经网络解释性

PDF
TL;DR通过使用 Batch Representation Orthonormalization (BRO) 和 Gini regularization 的方法，在图卷积神经网络（GCNN）的训练过程中使预测更加准确。这种方法可以应用于其他类型的神经网络，并在药物化学领域实现了成功的应用。
molecular graph convolutional neural networkbatch representation orthonormalization (bro)gini regularizationaccuracy improvementmedicinal chemistry
发现论文，激发创造
  • 简单的 GNN 正则化用于 3D 分子属性预测以及其他应用

    本研究表明，简单的噪声正则化可以是解决 GNN 过度平滑的有效方式。通过在输入图形上添加噪声并添加噪声校正的节点级损失，我们提出了 “噪声节点” 技术。该技术可促进图形多流形学习，并在量子化学任务上取得最新成果及显著提高 Open Graph Benchmark（OGB）数据集的结果，从而成为 GNN 工具包中的有效建模模块。

    Jun, 2021

  • 超越图卷积网络：一种解释性的以正则化为中心的优化框架

    本文主要研究在图数据上检测拓扑和语义结构，提出了一种名为 tsGCN 的图卷积网络，通过可解释的正则化优化框架，成功减少了计算无限阶图卷积的高计算复杂度，并且在八个公共数据集上对分类任务取得了比同类竞争对手更卓越的性能。

    Jan, 2023

  • 半监督学习的图拉普拉斯正则化图卷积网络

    本文提出了一种图拉普拉斯图卷积网络 (gLGCN) 方法，该方法通过编码图结构和节点特征同时保持局部不变性约束，用于图数据表示和半监督分类，并在实验中证明了其有效性。

    Sep, 2018

  • 通过图的混合进行图稀疏化

    使用混合图 (MoG) 技术对图神经网络进行图稀疏化处理，针对每个节点的特定环境选择合适的稀疏方案，并在 Grassmann 流形上生成最优稀疏图，从而实现更高的稀疏度水平、GNN 推理速度的提升，并改善 “顶级学生” GNN 在性能上的表现。

    May, 2024

  • 重新思考图神经网络的图正则化

    在图神经网络中，传统的图拉普拉斯正则化对现有 GNN 的性能提升不大，提出了一种名叫 P-reg 的图拉普拉斯正则化变体，可以有效增加信息熵，提升现有 GNN 模型在节点级和图级任务上的性能。

    Sep, 2020

  • 基于曲率增强的图卷积网络用于生物分子相互作用预测

    本文提出了一种曲率增强的图卷积神经网络，使用 Ollivier-Ricci 曲率为节点邻域的特征聚合赋权，用于生物分子相互作用预测，结果显示该模型表现优异。

    Jun, 2023

  • 图神经网络增强的拓扑正则化

    本文针对图数据的复杂性和非欧几里德结构，提出了一种基于拓扑正则化的图节点特征增强方法，其中将拓扑结构信息引入端到端模型，并在此基础上运用了对随机游走的无监督表示学习方法获得节点拓扑嵌入，同时使用图神经网络进行传输，有效地提高了性能表现。

    Apr, 2021

  • 使用图卷积网络学习通用且鲁棒的三维分子表示

    我们提出了一种基于图表示的全能且鲁棒的 Directional Node Pair (DNP) 描述符，该描述符能够结合分子的几何信息和化学特征，并构建了能够综合考虑节点和边特征的 Robust Molecular Graph Convolutional Network (RoM-GCN) 模型，在蛋白质和小分子数据集上验证了 DNP 描述符在融合分子的 3D 几何信息方面的优越性，RoM-GCN 模型优于所有对比基准模型。

    Jul, 2023

  • 视觉模型适应和鲁棒性的群正交化正则化

    该研究提出了一种计算效率较高的正则化技术，通过鼓励同一层内的过滤器组之间的正交性来减少卷积过滤器之间的冗余性，并通过将其应用于扩散模型和视觉转换器（ViTs）的自适应方法中，提高了下游任务的性能，同时在对抗训练期间实施组正交性时还改善了鲁棒性。

    Jun, 2023

  • 重正化图神经网络

    该论文提出了一种新的方法，即将重整化群理论应用于设计一种新颖的图重连策略，以提高图神经网络在图形相关任务上的性能，结果表明这种方法的有效性和其挖掘各种系统固有复杂性潜力的能力。

    Jun, 2023