图神经网络 | 基于能量模型的分子图生成

【论文标题】GraphEBM: Molecular Graph Generation with Energy-Based Models 【作者团队】Meng Liu，Keqiang Yan，Bora Oztekin，Shuiwang J 【发表时间】2021/01/31 【机构】德州农工大学 【论文链接】https://arxiv.org/pdf/2102.00546.pdf

【推荐理由】 本文出自德州农工大学，作者提出了一种基于能量模型的分子图生成方法，以排列不变的方式参数化能量函数，并且通过近似岁大话似然将郎之万动力学应用于对能量函数的训练，实现了满足多重目标的分子生成。

分子图生成是一个新兴的研究领域，在化学、生物等领域具有广阔的应用场景。由于分子图是离散的、不规则的，并且对节点的顺序具有排列不变性，所以该问题是极具挑战性的。值得注意的是，大多数现有的方法都不能保证内在的排列不变性，这导致生成模型出现了意想不到的偏差。

在本文中，作者提出使用基于能量的模型来生成分子图。具体而言，作者以排列不变的方式参数化能量函数，从而使 GraphEBM 具有排列不变性。作者通过近似最大化似然将郎之万动力学应用于对能量函数的训练，生成能量较低的样本。此外，为了生成具有特定性质的分子，作者提出了一种简单而有效的策略，根据相应分子的性质灵活地降低能量。最后，作者探索了以组合的方式将 GraphEBM 用于生成具有多重目标的分子。作者通过随机任务、目标导向任务和组合生成任务上的综合实验结果证明了该方法的有效性。

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