[KDD 2022 | 论文简读] KPGT: 用于分子性质预测的知识指导的预训练图形变换模型

作者 | 魏乐松 编辑 | 赵晏浠

论文题目

KPGT: Knowledge-Guided Pre-training of Graph Transformer for Molecular Property Prediction

论文摘要

为分子性质预测设计准确的深度学习模型在药物和材料发现中发挥着越来越重要的作用。近年来，由于标记分子的稀缺性，用于学习分子图的泛化和可迁移表示的自监督学习方法引起了极大关注。在本文中,作者认为,由于标记的数量,现有的自我监督学习方法无法获得所需的性能。为此,作者提出了一种知识指导的预训练图形变换模型(KPGT),这是一种新的基于图的特征转换学习框架。然后,提出了一种 KPGT知识指导策略,该策略利用原子核的知识来指导模型,以利用原子的结构和语义信息。大量的计算测试证明了KPGT比最先进的基于图的方法具有更好的性能。

论文链接

https://arxiv.org/abs/2206.03364