ICMLApr, 2023

分子关系学习的条件图信息瓶颈

PDF
TL;DR本文提出了一种基于图神经网络，利用条件图信息瓶颈检测关键次级结构的分子关系学习方法，从而能更好地模拟化学反应，实验证明它在不同任务和数据集上比同类算法更具优势。
molecular relational learninggraph neural networkschemistrysubgraphsconditional graph information bottleneck
发现论文，激发创造
  • 利用子图信息识别具有预测性的基础结构压缩模型

    通过引入信息瓶颈理论的设计，结合相似桥接原理和互信息估计式的互动，提出了一种新型的子图信息瓶颈架构来识别预测压缩的子图，成功去除了图数据中的噪音和冗余，具有高效和稳定性，得到了较好的优化结果和理论边界。

    Mar, 2021

  • 子图识别的图信息瓶颈

    本文提出了图信息瓶颈（GIB）框架，解决了深度图学习中子图识别问题，并在三种应用场景下评估 IB 子图的性能。

    Oct, 2020

  • 图信息瓶颈

    本文介绍了一种基于信息瓶颈原理的图形数据表示学习方法 —— 图信息瓶颈，该方法通过优化平衡了图形网络结构和节点特征的表达方式的表达性和鲁棒性，设计了两种采样算法进行结构方面的正则化，并使用两个新模型：GIB-Cat 和 GIB-Bern 来实现 GIB 原则，证明了其比最先进的图形防御模型更具有鲁棒性。

    Oct, 2020

  • 动态图信息瓶颈

    该论文介绍了一种名为动态图信息瓶颈（DGIB）的框架，用于学习动态图的稳健和有区分性的表征，并在真实世界和合成动态图数据集上的实验中展示了其对抗攻击的优越鲁棒性。

    Feb, 2024

  • 融合基于检索的因果学习与信息瓶颈的解释性图神经网络

    开发了一种新的可解释因果图神经网络框架，结合图信息瓶颈理论和基于检索的因果学习，能够半参数地检索关键子图并通过因果模块压缩解释性子图，在真实世界的多样解释场景中表现出比现有方法更高的准确率和 32.71% 更高的预测能力。

    Feb, 2024

  • 个体和结构图信息瓶颈与超出分布泛化

    本文提出了一种名为 IS-GIB 的统一框架，旨在处理在图模型应用中常见的 OutOfDistribution 和类间关系问题。通过 Individual Graph Information Bottleneck（I-GIB）和 Structural Graph Information Bottleneck（S-GIB）来解决这些问题，并通过最小化互信息来消除不相关的特征和同时保持类之间的关系。在节点和图级任务上进行的广泛实验表明，IS-GIB 具有优越的泛化能力。

    Jun, 2023

  • 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

  • 原子和子图感知的双向聚合用于分子表示学习

    本文通过引入 Atomic and Subgraph-aware Bilateral Aggregation 模型，综合考虑原子和子图两种信息，提高分子性质预测的表示学习，该方法在药物和材料发现等领域具有广泛的应用。

    May, 2023

  • 利用变分图信息瓶颈改进子图识别

    该研究提出了一种名为 Variational Graph Information Bottleneck (VGIB) 的框架，用于识别图形中最具信息量的压缩子结构，VGIB 通过对图形施加噪声注入的方式，再通过过滤噪声来获得所需的子图，并在图解释、图神经网络的可解释性和图分类等方面进行了广泛实验。

    Dec, 2021

  • 多视角图信息瓶颈方法：一种追求一致性和补充性的方法

    本研究提出一种名为 MVGIB 的多视角变分图信息瓶颈原则用于跨视角融合图信息，并使用相互信息约束公式化其共享信息和视角特定信息。经过广泛的图形基准数据集实验表明了所提出方法的卓越效果。

    Oct, 2022