本文介绍由爱荷华州立大学的Zhaoning Yu 与Hongyang Gao发表于ICML的研究工作。作者提出了一种新的分子图表示学习方法，构建了一个包含基序节点和分子节点的异构图，并提出HM-GNN（Heterogeneous Motif-GNN）模型学习异构图中每个节点的特征表示。该模型支持多任务学习，适用于小规模数据集。此外，为解决潜在的效率问题，作者采用边采样方法减少计算资源。作者在多种分子数据集上对HM-GNN进行了评估，结果表明该模型优于现有的先进模型。该模型可以作为一种新的多任务学习方法来用于图学习研究。

论文链接：https://arxiv.org/abs/2202.00529

代码链接：https://github.com/ZhaoningYu1996/HM-GNN

 

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