Convolutionale Netze auf Graphen zum Lernen molekularer Fingerprints

Wir stellen ein Faltungsneuronales Netzwerk (Convolutional Neural Network) vor, das direkt auf Graphen operiert. Diese Netzwerke ermöglichen das End-to-End-Lernen von Vorhersagepipelines, deren Eingaben Graphen beliebiger Größe und Form sind. Die vorgestellte Architektur verallgemeinert die standardmäßigen Methoden zur Extraktion molekularer Merkmale, die auf zyklischen Fingerabdrücken basieren. Wir zeigen, dass diese datengesteuerten Merkmale besser interpretierbar sind und bei einer Vielzahl von Aufgaben eine bessere Vorhersageleistung erzielen.