Rangfolge von Strukturierten Objekten mit Graphen-Neuralnetzen

Grapheneuronalnetze (GNNs) wurden erfolgreich in vielen Bereichen strukturierter Daten angewendet, von der Vorhersage molekularer Eigenschaften bis hin zur Analyse sozialer Netzwerke. Angeregt durch die breite Anwendbarkeit von GNNs, schlagen wir die Familie der sogenannten RankGNNs vor, eine Kombination neuronaler Learning-to-Rank-Methoden (LtR) und GNNs. RankGNNs werden mit einem Satz paarweiser Präferenzen zwischen Graphen trainiert, wobei vorgeschlagen wird, dass einer von ihnen dem anderen vorgezogen wird. Eine praktische Anwendung dieses Problems ist die Arzneimittelprüfung, bei der ein Experte die vielversprechendsten Moleküle in einer großen Sammlung von Arzneistoffkandidaten finden möchte. Wir zeigen empirisch, dass unser vorgeschlagener paarweiser RankGNN-Ansatz entweder erheblich besser abschneidet oder zumindest die Rangfolgeleistung des naiven punktweisen Baseline-Ansatzes erreicht, bei dem das LtR-Problem durch GNN-basierte Graphregression gelöst wird.