使用通信消息传递 Transformer 学习带属性的图表示

IJCAIJul, 2021

使用通信消息传递 Transformer 学习带属性的图表示

Learning Attributed Graph Representations with Communicative Message Passing Transformer

Jianwen Chen, Shuangjia Zheng, Ying Song, Jiahua Rao, Yuedong Yang

TL;DR提出了一种使用 Transformer 结构的通信信息传递神经网络 (CoMPT), 以加强节点和边之间的消息交互，提高分子图的表示能力，在七个化学性质数据集和两个化学位移数据集上的实验证明了所提出模型的卓越性能。

Abstract

Constructing appropriate representations of molecules lies at the core of numerous tasks such as material science, chemistry and drug designs. Recent researches abstract molecules as attributed graphs and employ graph neural networks (GNN) for molecular representation learning, which h

graph neural networks molecular representation learning transformer architecture message interactions chemical property datasets

发现论文，激发创造

分层互信息传递用于分子图学习

使用层次神经消息传递结构对分子图进行学习，并在 ZINC 数据集和 MoleculeNet 基准集的数据集上验证其性能。

Jun, 2020

大规模分子数据上的自监督图变换器

研究如何通过图神经网络（GNN）和自我监督学习来进行分子表征学习，并设计了一个名为 GROVER 的框架，通过预训练和任务特定的微调，达到较高的分子性质预测准确性。

Jun, 2020

分子图的定向消息传递

本文提出了一种新的分子性质预测方法：基于方向信息的消息传递神经网络（DimeNet），该方法使用定向的信息传递方式和球 Bessel 函数及球面谐波函数构建新的表征表示，其预测性能优于以往基于 GNNs 的模型。

Mar, 2020

多视图图神经网络用于分子性质预测

使用多视图神经网络和交叉依赖的消息传递机制，以预测分子性质为目的，构建了一种能够同时利用节点（原子）和边（化学键）信息的表达力强的模型，并在多个基准测试中表现出优异性能。

May, 2020

ComENet: 三维分子图的完整高效信息传递

本文提出了一种在三维图形中完全且高效地传递信息的新方案，通过使用重要的旋转角度实现了全局完整性，并组合了量子启发式基础函数和该方案提出的消息传递模式，构建了用于分子系统的全面高效图神经网络（ComENet）。

Jun, 2022

量子化学中的神经消息传递

本文介绍了一种基于神经网络模型的消息传递神经网络 (Message Passing Neural Networks, MPNN)，并探索了 MPNNs 的衍生变体。在化学性质预测基准测试中，使用 MPNNs 获得了最先进的结果，表明将来的研究应该集中在具有更大分子或更精确地基础事实标签的数据集上。

Apr, 2017

利用消息传递变换器进行物理模拟学习

基于图神经网络的新型智能体架构 —— 消息传递变换器，结合了消息传递框架，采用了编码器 - 处理器 - 解码器结构，以及应用了图傅里叶损失作为模型优化的损失函数。

Jun, 2024

使用图形超网络进行分子属性预测和分类

本文中，研究者探究了基于超网络的替代方法，发现在各种基准测试中具有最先进的成果，尤其在学习基于分子的属性预测和分类方面表现突出，并且解决了超网络的稳定性问题。

Feb, 2020

GemNet: 面向分子的通用定向图神经网络

本研究介绍了一种新型的 Geometric Message Passing Neural Network（GemNet）结构，采用了定向边嵌入和双跳消息传递，展现出图神经网络在预测分子动力学方面的强大效果和广阔前景。

Jun, 2021

通过图神经网络进行分子对比学习表示

本文介绍了 MolCLR 框架：通过图神经网络的分子对比学习，基于大规模未标记的分子数据集学习不同 iable 的表征，提供预训练和微调来有效地预测分子性质，实验结果显示该框架在分类和回归任务上显着提高了性能。

Feb, 2021