本文介绍发表于NeurIPS2021上的论文“Motif-based Graph Self-Supervised Learning for Molecular Property Prediction”。这篇论文通过在图神经网络中引入一个新的自监督的motif生成框架而提出了基于motif的图自监督学习。首先，对于从分子图中提取motif，作者设计了一种分子分片方法，该方法利用了基于逆合成的算法BRICS和控制motif库大小的附加规则。其次，作者设计了一个通用的基于motif的生成式预训练框架，该框架中要求神经网络进行拓扑和标签预测。这个生成式框架可以用两种不同的方式实现，即广度优先或深度优先。最后，为了考虑分子图中的多尺度信息，作者引入了多级自监督预训练。对各种下游基准任务的大量实验表明，该方法优于所有SOTA基准。

论文链接：

https://arxiv.org/abs/2110.00987

代码：

https://github.com/zaixizhang/MGSSL

图一:基于motif的图自监督学习(MGSSL)。该框架分为三个部分：基于化学知识的分子分片，motif生成和图神经网络的多级自监督预训练。

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除