導讀：在本週為大家整理論文快訊時，發現有很多新的研究和方法提出來，包括基於自注意力機制的圖Pooling，挑戰深層圖卷積神經網路的RGNN，以及提高GCN計算效能的GWNN。最近一段時間GNN的相關研究表現出了不錯的活躍度，希望能夠對大家的研究有所幫助。
01
該論文提出了RL-VAE，一種圖到圖變分自動編碼器，利用強化學習從潛在嵌入中解碼分子圖。之前也有方法描述圖對圖自動編碼器，但是這些研究的方法都要求很複雜的解碼器，這增加了訓練和評估的複雜性。比如說，要求並行的編碼器和解碼器，或者較為複雜的圖匹配。所以，論文重新規劃了一個簡單的圖解碼器，可以高效解碼和生成分子圖。
02
精確預測藥物-靶點相互作用（Drug-Target Interaction DTI）是利用電腦進行藥物設計中不可或缺的部分。文章作者提出了一種新穎的方法，用直接結合蛋白質-配體複合物的GNN來預測DTI。這樣不僅可以分類活性和非活性的化合物，還能夠區分活性和非活性的結合姿勢。文章還應用了一種distance-aware 圖注意力演算法和gate augmentation來增強模型的效果。文章提出的方法在虛擬篩選和姿勢預測上，效果比目前的深度學習方法都要好。
論文連結：https://arxiv.org/pdf/1904.08144
03
在這篇論文中，研究人員提出了一種基於自注意力機制的圖pooling方法。在圖資料上應用深度學習提出來已經有幾年了。特別地，很多研究都聚焦在將卷積神經網路推廣到圖資料，包括重新定義在圖上的卷積和pooling。將卷積推廣到圖上已經取得了一些很好的效果和成績，但是pooling卻依然很難操作，有很大的提升空間。利用圖卷積的自注意力機制允許作者提出的pooling方法兼顧節點特徵和圖的拓撲結構。為了測試這種pooling方法的效果，本文在相同訓練設定和模型結構上使用不同pooling方法進行比較，實驗結果表明，本文提出的這種pooling方法在圖分類上有超乎的效果。
04
這篇論文主要用圖神經網路研究節點表示學習，並提出了Recurrent Graph Neural Network （RGNN）。通過使用遞迴單元捕獲跨層的長期依賴關係，文中的方法可以在遞迴鄰域擴充套件中成功地識別重要資訊。GNNs有一個公認的缺陷，層數越多訓練就越困難，因為更多的層也會傳播來自鄰域的噪聲資訊，於是有研究提出殘差連線（residual connection）來克服該問題。但是作者認為，殘差連線（residual connection）並不是深層圖神經網路最好的選擇，相反，在圖神經網路中加入遞迴單元能夠有效捕獲鄰域資訊，並保持區域性特徵不變。
論文連結：https://arxiv.org/pdf/1904.08035.pdf
05
這篇論文提出了一種新的圖卷積神經網路模型，叫做Graph Wavelet Neural Network（GWNN），這是利用小波變換（Wavelet Transform）來解決依賴傅立葉變換的Spectral GCN方法的缺點。和圖傅立葉變換不同，圖小波變換可以通過演算法快速獲得，而不需要高計算成本的矩陣特徵分解。而且，graph wavelets在頂點域是稀疏和區域性化的，這為圖卷積提供了高效率和良好的可解釋性。文中的實驗嘗試了半監督的分類任務。
論文連結：https://arxiv.org/pdf/1904.07785.pdf