公开(公告)号：CN118339563A

公开(公告)日：2024-07-12

申请号：CN202180104395.8

申请日：2021-11-22

Applicant: 罗伯特·博世有限公司 ,  清华大学

Inventor： E·哈特拉莫诺夫 ,  唐杰 ,  冯文政

IPC: G06N3/0464 ,  G06N3/0895

Abstract: 本公开内容提供了一种用于基于半监督学习来训练图神经网络(GNN)模型以执行对图的节点进行分类的任务的方法。该方法包括：从图的节点中采样一批标记节点和一批未标记节点，其中，图包括由特征矩阵表示的节点和由邻接矩阵表示的边，图的节点中的每个节点由特征矩阵的对应特征向量表示；通过基于一批标记节点和一批未标记节点中的每个节点的邻接向量来随机地传播该节点的相邻节点的特征向量，获得该节点的多个增强特征向量；通过将一批标记节点和一批未标记节点中的每个节点的多个增强特征向量分别应用于GNN模型，获得针对该节点的多个分类预测；基于一批标记节点和一批未标记节点中的节点的分类预测来获得损失；以及基于该损失来更新GNN模型的参数。

公开(公告)号：CN115860065A

公开(公告)日：2023-03-28

申请号：CN202211557866.3

申请日：2022-12-06

Applicant: 清华大学

Inventor： 唐杰 ,  张丹 ,  冯文政

IPC: G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了基于dropout连接的图随机神经网络的分子图属性预测方法，该方法包括：基于分子图的连边特征对连边进行权重分配，对分子图的节点进行软连接转换以生成第一邻接矩阵；进行掩码操作生成第二邻接矩阵，将分子图的原始节点特征和第二邻接矩阵输入图神经网络模型以输出得到图编码；根据预设的有标签数据和无标签数据，分别基于图编码进行有监督损失计算和无监督损失计算得到第一损失计算结果和第二损失计算结果；得到最终损失计算结果优化图神经网络模型的参数，进行分子图属性预测得到预测结果。本发明可以在分子图属性预测的过程中充分考虑化学键的重要性并充分利用无标签数据中的信息，帮助生成更多的训练数据和提升分子图属性预测的性能。