Pre-training Graph Neural Networks on 2D and 3D Molecular Structures by using Multi-View Conditional Information Bottleneck
Created by
Haebom
Category
Empty
저자
Van Thuy Hoang, O-Joun Lee
MVCIB: Multi-View Conditional Information Bottleneck for Molecular Graph Pre-training
개요
MVCIB는 2D 및 3D 분자 구조에 대한 그래프 신경망 사전 훈련을 위한 Multi-View Conditional Information Bottleneck 프레임워크를 제안합니다. MVCIB는 MVCIB 원리에 따라 각 뷰에서 공유 정보를 발견하고 관련 없는 특징을 최소화하며, 한 뷰를 컨텍스트 조건으로 사용하여 다른 뷰의 표현 학습을 안내합니다. 뷰 간의 의미론적 및 구조적 일관성을 강화하기 위해 기능 그룹 및 에고 네트워크와 같은 주요 하위 구조를 앵커로 사용하고, 하위 구조 간의 세밀한 상관관계를 포착하는 교차 주의 메커니즘을 통해 뷰 간의 하위 그래프 정렬을 달성합니다.
시사점, 한계점
•
MVCIB는 예측 성능과 해석 가능성 모두에서 기존 베이스라인을 능가합니다.
•
MVCIB는 비동형 그래프뿐만 아니라 이성질체와 같이 동일한 2D 연결성을 공유하는 서로 다른 3D 기하학을 구별하는 3d Weisfeiler-Lehman 표현력을 달성했습니다.
•
논문은 MVCIB의 특정 한계점에 대한 직접적인 언급은 포함하지 않습니다. (그러나 모든 연구에는 잠재적인 한계가 존재합니다.)
