摘要
我们提出了一种用于分子图学习的分层神经消息传递架构。该模型同时接收两种互补的图表示：原始分子图表示及其对应的连接树（junction tree），其中连接树的节点代表原始图中具有实际意义的子结构，例如环状结构或桥连化合物。在此基础上，模型通过在每种图结构内部传递消息，并在两种表示之间采用粗粒度到细粒度、以及细粒度到粗粒度的信息流动机制进行消息交换，从而学习分子的表示。该方法能够克服传统图神经网络（GNN）在检测环结构等方面存在的若干局限性，同时保持高效的训练性能。我们在ZINC数据集以及来自MoleculeNet基准测试集合的多个数据集上验证了该方法的有效性。