超几何图传播模型用于分子生成
通过建立基于双曲几何的可解释度度量的几何潜变空间,使用径向和角度几何特性约束的几何潜变过程,HypDiff 框架能有效地捕捉和保留图的拓扑信息,并在各种拓扑结构的图生成中表现出卓越的效果。
May, 2024
本文提出了一种新的基于扩散流形学和双曲几何学的分层数据嵌入和距离测量方法,理论上可以恢复分层结构,并且在图嵌入基准和分层数据集上证明了其有效性和优势。
May, 2023
提出了 GCDM 模型,该模型采用几何完整的消息传递图神经网络,在 DDPM 框架内宣称新的 3D 分子扩散生成的最新成果,并提供了与分子 DDPM 生成动态相关的物理归纳偏差的初步见解。
Feb, 2023
本研究提出了一种基于几何潜变扩散模型(GeoLDM)的新方法,通过在潜空间中运行扩散模型来生成分子的三维几何结构。该方法对生成大分子的有效百分比有 7%的提升。
May, 2023
通过将深度视为连续时间嵌入演化的方法,我们在本文中解耦了超椭圆图神经网络 (HGNN) 并将信息传播重新构造为偏微分方程 (Partial Differential Equation, PDE),让节点注意力承担超椭圆神经 PDE (Hyperbolic Neural PDE, HPDE) 中的传导性作用。通过引入理论原则,如非欧几里得流形上的场和流、梯度、散度和传导性,我们讨论了用于形成数值 HPDE 解算器的隐式和显式离散化方案。进一步,我们提出了超椭圆图扩散方程 (Hyperbolic Graph Diffusion Equation, HGDE) - 这是一个灵活的矢量流函数,它可以集成以获得表达力强的超椭圆节点嵌入。通过分析嵌入的潜在能量衰减,我们证明了 HGDE 能够模拟低阶和高阶近邻关系,并具有局部 - 全局传导函数的好处。节点分类和链路预测以及图像 - 文本分类任务的实验证明了所提方法的优越性,其性能始终显著优于各种竞争模型。
Jun, 2024
本文提出了在超几何空间学习动态图形表示的方法,并引入了基于理论的时间编码方法的 Temporal GNN 用于建模动态性,设计了基于 HVGNN 的超几何图像变分自编码器用于生成具有随机性质的节点表征,此外还引入了超几何正态分布的可重参数采样算法,用于使 HVGNN 具有梯度优化能力,并在现实数据集上的实验中取得了优于现有基线的效果。
Apr, 2021
提出了一种名为几何促进分子扩散(GFMDiff)的新型分子生成方法,通过引入双轨 Transformer 网络(DTN)和几何促进损失(GFLoss)解决了构成二元边和模型分子几何形状的多体间相互关系的建模问题。在现有基准上的全面实验证明了 GFMDiff 的优越性。
Jan, 2024