使用HDC的分子分类

文章预览

图学习的创新方法 训练阶段加速了 40 倍，推理时间提高了 15 倍 使用超维图分类的分子分类  Molecular Classification Using Hyperdimensional Graph Classification **摘要** —我们提出了一种通过利用超维计算 (HDC) 进行图学习的创新方法。图作为传递信息的广泛采用的方式，在学习中的应用引起了极大的关注。这在化学信息学领域尤为重要，其中从图表示中学习扮演着关键角色。在这一领域的一个重要应用涉及识别不同分子结构中的癌细胞。我们提出了一种基于 HDC 的模型，其在曲线下面积（AUC）结果上与图神经网络（GNNs）或 Weisfeiler-Lehman 图核（WL）等最先进模型相当。此外，它在训练阶段相比于 GNN 和 WL 模型实现了 40 倍的加速，在推理时间上提高了 15 倍。这不仅突显了 HDC 基于方法的有效性，也展示了其在图学习中的加速和资源高效性潜力。 **关键词**： —超 ………………………………