초록
그래프 신경망(GNNs)은 분자 특성 예측에서 소셜 네트워크 분석에 이르기까지 다양한 구조화된 데이터 영역에서 성공적으로 적용되어 왔습니다. GNNs의 광범위한 활용성을 고려하여, 우리는 뉴럴 학습 순위(LtR) 방법과 GNNs를 결합한 RankGNNs라는 새로운 모델군을 제안합니다. RankGNNs는 그래프 간의 쌍별 선호도로 훈련되며, 이는 한 그래프가 다른 그래프보다 더 우수하다는 것을 나타냅니다. 이 문제의 하나의 실용적인 응용 사례는 약물 스크리닝으로, 전문가는 대규모 약물 후보군에서 가장 유망한 분자를 찾고자 합니다. 우리는 실험을 통해 제안된 쌍별 RankGNN 접근법이 단순한 점별 기준 접근법(이 경우 LtR 문제는 GNN 기반 그래프 회귀를 통해 해결됨)보다 상당히 우수하거나 적어도 동등한 순위 성능을 보임을 입증하였습니다.