KDD 24 | 基于特权结构识别的分子不变学习

文章预览

题目 ：Advancing Molecule Invariant Representation via Privileged Substructure Identification 会议 ：KDD 2024 图神经网络通过将分子建模为图，即视原子为节点，化学键为边，革新了分子表示学习。尽管取得了一定突破，它们在分布外场景中仍面临挑战。例如，具有相同性质的分子在大小或骨架变化时，可能给出错误的预测结果。一些研究尝试利用图不变学习来缓解该问题，即通过惩罚不同环境下的预测差异来学习不变表示。然而，分子有其特殊的领域知识： 形成特权子结构的核心官能团主导了分子的性质，并在分布变化中保持不变 。因此，怎样融合这一先验知识？并确保其与传统图不变学习兼容？ 1. 背景 分子作为物质的基本组成部分，在科学探索和药物发现中发挥着关键作用。为此，分子表示学习（Molecule Representation Learning，MRL）成为一个重要的研究领域，即将 ………………………………