【NeurIPS】四篇好文简读-专题3

一

论文题目：

Deconvolutional Networks on Graph Data 论文摘要：

这篇文章作者提出了图反卷积网络（GDN）。由于逆运算会出现高频放大器并可能放大噪声，GDN采用了谱域中的逆滤波器和小波域中的去噪层组合的设计。作者在图特征插补和图结构生成任务上证明了GDN的有效性。

论文链接：

https://arxiv.org/pdf/2110.15528.pdf

二

论文题目：

Multi-task Learning with Domain Knowledge for Molecular Property Prediction 论文摘要：

多任务学习用于分子性质预测在药物发现中变得越来越重要。然而，与其他领域相比，多任务学习在药物发现中的表现仍然不能令人满意，因为每个任务的标记数据数量太有限，这就需要额外的数据来补充数据的稀缺性。在本文中，作者在不同的环境中研究了分子性质预测的多任务学习，其中不同任务之间有一个关系图。作者首先提取了一个约400个任务的数据集，以及不同任务之间的关系图。然后，系统地研究了不同任务之间关系的建模：(1)通过在任务关系图上学习有效的任务表征；(2)通过结构化的预测方法。最后结果证明了作者提出的方法的有效性。

论文链接：

https://openreview.net/pdf?id=6cWgY5Epwzo

三

论文题目：

Molecular Mechanics-Driven Graph Neural Network with Multiplex Graph for Molecular Structures 论文摘要：

从分子结构预测物理化学性质是人工智能辅助分子设计的重要任务。越来越多的图神经网络(gnn)被提出来解决这一挑战。这些模型通过在分子中加入辅助信息提高了表达能力，同时不可避免地增加了计算复杂度。在这项工作中，作者的目标是设计一个强大和高效的分子结构GNN。为了实现这一目标，作者提出了一种分子力学驱动的方法，首先将每个分子表示为一个两层复合图，其中一层只包含主要捕获共价相互作用的局部连接，而另一层包含可以模拟非共价相互作用的全局连接。然后针对每一层提出相应的消息传递模块，以平衡表达能力和计算复杂度。在这两个模块的基础上，构建了多元分子图神经网络(Multiplex Molecular Graph Neural Network, MXMNet)。当通过用于小分子的QM9数据集和用于大型蛋白配体复合物的PDBBind数据集进行验证时，MXMNet在资源有限的情况下取得了比现有的最先进的模型更好的结果。

论文链接：

https://arxiv.org/pdf/2011.07457v1.pdf github链接：

https://github.com/zetayue/MXMNet

四

论文题目：

An Empirical Study of Graph Contrastive Learning 论文摘要：

图对比学习（GCL）为学习图建立了一个新的范式，无需人类注释。尽管最近已经取得了显著的进展，但GCL背后的成功仍然有些神秘。在这项工作中，作者首先确定了一般GCL范式中的几个关键设计考虑因素，包括增强函数、对比模式、对比目标和负向挖掘技术。然后，为了理解不同GCL组件的相互作用，作者在不同领域的数据集上对一组基准任务进行了广泛的实验。然后提出了一套有效的GCL的方案，例如，通过产生稀疏视图的简单拓扑结构增强可以提高性能；对比模式应该与最终任务的粒度相一致。此外，为了促进未来的研究并简化GCL算法的实施，作者开发了一个易于使用的PyGCL库，其特点是模块化的CL组件、标准化的评估和实验管理。

论文链接：

https://openreview.net/forum?id=UuUbIYnHKO Github链接：

https://github.com/GraphCL/PyGCL