RGCVAE: 基于关系图条件的变分自编码器在分子设计中的应用
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
将递归神经网络与卷积网络以层次化方式结合,可以从 SMILES 字符串中提取自回归信息并保持信号和长程依赖关系,从而实现了在重构已知分子时非常高的有效性率达到 95%。同时,我们观察到测试集和重构分子之间的平均 Tanimoto 相似性为 0.6,这表明我们的方法在使用类似方法的先前工作中比较有效地将 SMILES 字符串与其学习表示之间进行映射。
Jan, 2024
本文提出了一种无监督的模型 - 关系变分图自编码器(R-VGAE)来预测概念之间的关系,并在此基础上扩展 1,717 英文 NLP 相关的讲座幻灯片文件和 322 个主题的手动概念对注释,结果表明我们的方法在先决关系预测准确率和 F1 分数方面为图形半监督方法和其他基线方法提供高达 9.77% 和 10.47% 的性能提升。
Apr, 2020
提出了一种基于条件变分自编码器的分子生成模型,可以控制多个分子属性,生成具有五个目标属性的类药物分子,可以单独调整一个属性,将其操作超出数据集范围。
Jun, 2018
本文提出了一种新的分子生成方法,使用单调正则化的图变分自编码器实现了可解释性和可控性的深度生成模型,并通过多项式函数来与目标分子属性之间的关系进行学习和优化,实现了对毒性、clogP 等目标分子属性的可解释性和可控性的生成。经过充分的实验评估,证明了该框架在准确性、新颖性以及对目标分子属性的可解释性和可控性方面的卓越性。
Feb, 2022
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