.png){kind=icon}
返回
Molecular graph contrastive learning with line graph
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.111380.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
受限于分子属性预测和药物设计中的标签稀缺问题，图对比学习（GCL）应运而生。领先的对比学习方法展示了两种视图生成器，即随机或可学习的数据污染和领域知识融合。尽管有效，但这两种方法分别导致了分子语义的扭曲和泛化能力的限制。为此，我们将线性图（LinE graph）与分子图对比学习（MOlecular graph coNtrastive learning）相结合，提出了一种新颖的方法，称为LEMON。具体而言，通过将给定图与其对应的线图进行对比，图编码器可以自由编码分子语义而不会遗漏。此外，我们提出了一种新的补丁方法，结合边属性融合和两种局部对比损失，以增强信息传输并解决困难负样本问题。与视图生成的当前最佳（SOTA）方法相比，在分子属性预测中表现出的优越性能证明了我们提出的框架的有效性。
Keyword:
Molecular pre-training
Graph contrastive learning
Dual-helix graph encoder
Hard negative samples
Transfer learning
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Dual-channel graph contrastive learning for self-supervised graph-level representation learning用于自监督图级表示学习的双通道图对比学习.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Self-supervised Graph-level Representation Learning with Adversarial Contrastive Learning基于对抗性对比学习的自监督图级表示学习
OAAI
OAAI分享收藏Unsupervised graph-level representation learning with hierarchical contrasts具有层次对比的无监督图级表示学习NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Improving visual-semantic embeddings by learning semantically-enhanced hard negatives for cross-modal information retrievalPATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏
查看更多内容