Kernkonzepte
본 연구는 화학 분자 그래프의 하위 구조 간 상호작용을 탐색하여 그래프 표현을 학습하는 새로운 대조 학습 프레임워크를 제안한다.
Zusammenfassung
본 연구는 화학 분자 그래프의 대조 학습을 위한 새로운 프레임워크인 SGNCL(SubGraph Network-based Contrastive Learning)을 제안한다.
- 그래프 증강 모듈에서는 Edge-to-Node 변환을 통해 원본 그래프의 첫 번째 및 두 번째 순서 하위 그래프 네트워크(SGN)를 생성한다. 이를 통해 노드-노드, 노드-엣지, 엣지-엣지 간 상호작용 정보를 캡처할 수 있다.
- 그래프 표현 학습 모듈에서는 원본 그래프와 다른 순서의 SGN을 각각 인코더에 입력하여 노드 표현을 학습한다. 이후 리드아웃 함수를 통해 그래프 수준 표현을 생성한다.
- 대조 목적 함수 모듈에서는 원본 그래프와 다른 순서의 SGN 표현 간 유사도를 최대화하는 단일 순서 대조 손실과 다중 순서 대조 손실을 제안한다.
- 실험 결과, SGNCL은 다양한 벤치마크 데이터셋에서 기존 최신 방법들과 비교하여 경쟁력 있거나 더 나은 성능을 보였다. 특히 전이 학습 환경에서 평균 6.9%의 성능 향상을 달성했다.
Statistiken
화학 분자 그래프의 노드 속성은 원자 유형의 조합으로 구성된다.
화학 분자 그래프의 엣지 속성은 "결합-중심 원자-결합" 조합으로 구성된다.
Zitate
"본 연구는 화학 분자 그래프의 하위 구조 간 상호작용을 탐색하여 그래프 표현을 학습하는 새로운 대조 학습 프레임워크를 제안한다."
"실험 결과, SGNCL은 다양한 벤치마크 데이터셋에서 기존 최신 방법들과 비교하여 경쟁력 있거나 더 나은 성능을 보였다. 특히 전이 학습 환경에서 평균 6.9%의 성능 향상을 달성했다."