图网络之——Graph Memory Networks

本文深入探讨了Graph Memory Networks在分子活性预测中的应用。通过建立记忆矩阵,利用控制器(如RNN)进行多次读写操作,更新节点的表达,从而捕捉图的结构信息。此外,文章还介绍了如何将Graph-Mem用于多任务学习,以提高模型的训练效果。

Graph Memory Networks for Molecular Activity Prediction


Introduction

graph(图)作为一种数据结构,能够表达非常复杂的关系,比如社交关系网络,见下图。充分挖掘graph中蕴含的知识,是一个非常challenging的任务,已有的方法像 kernel-based method运用到大量数学知识,值得学习一下,但在deep learning爆炸的年代,任何东西不和deep learning结合一下都没法上得了台面,可以Google到,近几年有许多graph+deep learning的工作涌现出来,有时间我打算单独对一些代表性的工作做一个系统的总结,今天,就以该文章作为一个引子,先感受一下。

该文章做的是一个基于graph的分子活性预测问题。molecule(分子)是由若干个atom(原子)通过化学键连接在一起的,我们可以把一个molecule看作一个graph,通过挖掘molecular内部的连接关系形成对molecular的整体认识,然后就可以用来做molecule的生物活性预测了。

Approach

本文使用了一种叫做Graph Memory Networks (Graph-Mem)的方法,整体来讲是这样一个过程,如下图所示:

  • 1)建立一个memory
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值