Spektrale Multigraph-Netzwerke zur Entdeckung und Fusion von Beziehungen in Molekülen

Spektrale Graph-Konvolutionsnetzwerke (GCNs) stellen eine Verallgemeinerung von Konvolutionsnetzwerken dar, die es ermöglichen, auf graphenstrukturierten Daten zu lernen. Die Anwendungen spektraler GCNs waren erfolgreich, aber auf wenige Probleme beschränkt, bei denen der Graph fixiert ist, wie zum Beispiel Formkorrespondenz und Knotenklassifizierung. In dieser Arbeit adressieren wir diese Einschränkung, indem wir eine bestimmte Familie von spektralen Graphnetzwerken, nämlich Chebyshev-GCNs, erneut betrachten und ihre Effizienz bei der Lösung von Graphklassifizierungsaufgaben mit variabler Graphstruktur und -größe zeigen. Chebyshev-GCNs beschränken Graphen darauf, dass zwischen jedem Paar von Knoten höchstens eine Kante existiert. Zu diesem Zweck schlagen wir ein neues Multigraph-Netzwerk vor, das aus mehr relationalen Graphen lernt. Wir modellieren gelernte Kanten mit abstrakter Bedeutung und experimentieren mit verschiedenen Methoden zur Fusion der aus annotierten und gelernten Kanten extrahierten Darstellungen, wodurch wir wettbewerbsfähige Ergebnisse bei einer Vielzahl chemischer Klassifizierungsbenchmarks erzielen.