1
题目：Advancing Molecule Invariant Representation via Privileged Substructure Identification
作者：Ruijia Wang, Haoran Dai, Cheng Yang, Le Song, Chuan Shi
摘要：图神经网络通过将分子建模为图革新了分子表示学习，但在分布外场景中，例如具有相同性质的分子在大小或骨架上有所不同，仍然表现不佳。一些研究通过图不变学习来缓解该问题，即惩罚不同环境中的预测差异学习不变表示。然而，在分子领域中，形成特权子结构的核心官能团主导分子性质，并在环境变化中保持不变。因而，有必要整合这一领域知识，并确保环境划分与分子不变学习兼容。为此，我们提出了一个名为MILI的新框架。具体地，首先基于特权子结构识别形式化分子不变学习，并引入子结构不变性约束。在此基础上，从理论上确立了有利于分子不变学习的两个环境划分标准。受这些标准的启发，进一步提出了一种双头图神经网络。其中，共享识别器识别特权子结构，而环境和任务头则根据可变子结构和特权子结构分别生成预测。最终通过两个头的相互作用，环境划分被优化至满足所提标准。MILI从理论分析和网络设计上确保了分子不变学习和环境划分的相互增强。八个基准测试集上的大量实验验证了MILI相对于最先进基线的有效性。
2
题目：Customizing Graph Neural Network for CAD Assembly Recommendation
作者：Fengqi Liang，Huan Zhao，Yuhan Quan，Wei Fang，Chuan Shi
摘要：CAD 装配建模是指使用 CAD 软件根据现有机器部件目录设计新产品，这个问题在工业领域非常重要。CAD 装配建模推荐系统可根据 CAD 软件中的现有组件推荐下一个所需组件，从而帮助设计人员迅速做出决策并加快设计过程。CAD软件中这些组件的现有状态是一个天然的图结构，因此图神经网络（GNN）在这个问题上取得了最优结果。然而目前用于 CAD 装配建模的推荐系统采用的是固定的 GNN 架构，这对于数据分布不同的制造商来说可能不是最佳选择。因此，我们提出了一种新颖的神经架构搜索（NAS）框架，称为 CusGNN，它可以为不同制造商定制合适的基于GNN的推荐系统。具体来说，CusGNN从三个维度（即聚合、融合和读出函数）设计了一个搜索空间，其中包含多种 GNN 架构。然后GusGNN使用了有效的可微分搜索算法，从搜索空间中搜索高性能的 GNN。实验结果表明，与之前人工设计的方法相比，CusGNN 在Top-10准确率提高了 1.5-5.1%，证明了其优越性。
长按下图并点击“识别图中二维码”
即可关注北邮 GAMMA Lab 公众号
