图学习论文快讯 | 很多新方法提出，研究活跃度高！

导读：在本周为大家整理论文快讯时，发现有很多新的研究和方法提出来，包括基于自注意力机制的图Pooling，挑战深层图卷积神经网络的RGNN，以及提高GCN计算性能的GWNN。最近一段时间GNN的相关研究表现出了不错的活跃度，希望能够对大家的研究有所帮助。

01

该论文提出了RL- VAE，一种图到图变分自动编码器，利用强化学习从潜在嵌入中解码分子图。之前也有方法描述图对图自动编码器，但是这些研究的方法都要求很复杂的解码器，这增加了训练和评估的复杂性。比如说，要求并行的编码器和解码器，或者较为复杂的图匹配。所以，论文重新规划了一个简单的图解码器，可以高效解码和生成分子图。

论文链接：https://arxiv.org/pdf/1904.08915

02

精确预测药物-靶点相互作用（Drug-Target Interaction DTI）是利用电脑进行药物设计中不可或缺的部分。文章作者提出了一种新颖的方法，用直接结合蛋白质- 配体复合物的GNN来预测DTI。这样不仅可以分类活性和非活性的化合物，还能够区分活性和非活性的结合姿势。文章还应用了一种distance-aware 图注意力算法和gate augmentation来增强模型的效果。文章提出的方法在虚拟筛选和姿势预测上，效果比目前的深度学习方法都要好。

论文链接：https://arxiv.org/pdf/1904.08144

03

在这篇论文中，研究人员提出了一种基于自注意力机制的图pooling方法。在图数据上应用深度学习提出来已经有几年了。特别地，很多研究都聚焦在将卷积神经网络推广到图数据，包括重新定义在图上的卷积和pooling。将卷积推广到图上已经取得了一些很好的效果和成绩，但是pooling却依然很难操作，有很大的提升空间。利用图卷积的自注意力机制允许作者提出的pooling方法兼顾节点特征和图的拓扑结构。为了测试这种pooling方法的效果，本文在相同训练设置和模型结构上使用不同pooling方法进行比较，实验结果表明，本文提出的这种pooling方法在图分类上有超乎的效果。

论文链接：https://arxiv.org/pdf/1904.08082.pdf

04

这篇论文主要用图神经网络研究节点表示学习，并提出了Recurrent Graph Neural Network （RGNN）。通过使用递归单元捕获跨层的长期依赖关系，文中的方法可以在递归邻域扩展中成功地识别重要信息。GNNs有一个公认的缺陷，层数越多训练就越困难，因为更多的层也会传播来自邻域的噪声信息，于是有研究提出残差连接（residual connection）来克服该问题。但是作者认为，残差连接（residual connection）并不是深层图神经网络最好的选择，相反，在图神经网络中加入递归单元能够有效捕获邻域信息，并保持局部特征不变。

**
**

论文链接：https://arxiv.org/pdf/1904.08035.pdf

05

这篇论文提出了一种新的图卷积神经网络模型，叫做Graph Wavelet Neural Network（GWNN），这是利用小波变换（Wavelet Transform）来解决依赖傅立叶变换的Spectral GCN方法的缺点。和图傅立叶变换不同，图小波变换可以通过算法快速获得，而不需要高计算成本的矩阵特征分解。而且，graph wavelets在顶点域是稀疏和局部化的，这为图卷积提供了高效率和良好的可解释性。文中的实验尝试了半监督的分类任务。

论文链接：https://arxiv.org/pdf/1904.07785.pdf

作者暂无likerid, 赞赏暂由本网站代持，当作者有likerid后会全部转账给作者（我们会尽力而为）。


Support author:
Author's Filecoin address:
Or you can use Likecoin to support author: