DGL & RDKit|基于GCN与基于3D描述符的分子溶解度预测模型对比

GCN

GCN : 图卷积神经网络（Graph Convolutional Networks）

图卷积的原理

处理图形或网络的数据形式存在许多重要的实际问题，如社交网络、知识图形、蛋白质相互作用网络和分子图形等。然而，将深度学习应用于这些图形数据是非常重要的，因为它具有独特地图特征。人们非常关注神经网络模型对这种结构化图形数据的概括。过去的几年中，许多论文重新讨论推广神经网络以处理任意结构化图形的问题。下面的小节中给出了图的表示和图卷的两种方式，即空间卷积和谱卷积。空间卷积GCN是可区分的消息传递模式，其在局部图形邻域上操作到任意图形。对于社交网络，知识图和分子图等图形，它比谱卷积更受欢迎。谱卷积GCN的思想是利用光谱理论在拓扑图上实现卷积运算，通常用于处理数据，如图像和视频。

图形定义

图（graph）是一种数据格式，它可以用于表示社交网络、通信网络、蛋白分子网络等，图中的节点表示网络中的个体，连边表示个体之间的连接关系。许多机器学习任务例如社团发现、链路预测等都需要用到图结构数据，因此图卷积神经网络的出现为这些问题的解决提供了新的思路。

空间卷积

早期尝试推广结构化数据的判别嵌入中，Dai等人提出了structure2vec，一种用于嵌入图结构化数据的潜变量模型，在图形模型中使用近似推理算法。推理算法的解决方案意味着一个传播方程，其中节点的表示是邻域边缘和来自邻居消息