Hierarchical Inter-Message Passing for Learning on Molecular Graphs

我们提出了一个在分子图上学习的递阶神经信息传递架构。我们的模型采用了两种互补的图表示:原始的分子图表示和相关的结树，其中节点表示原始图中有意义的簇，如环或桥接化合物。然后，我们通过在每个图中传递消息来学习分子的表示，并使用粗到细和细到粗的信息流在两种表示之间交换消息。我们的方法能够克服经典GNN的一些限制，如检测周期，同时仍然非常有效的训练。我们在ZINC数据集和MoleculeNet基准收集数据集上验证了它的性能。