[論文レビュー] GraphDF: A Discrete Flow Model for Molecular Graph Generation

Youzhi Luo, Keqiang Yan+1 more|arXiv (Cornell University)|Feb 1, 2021

Machine Learning in Materials Science参考文献 42被引用数 30

ひとこと要約

GraphDF は、分子グラフ生成のための離散潜在変数フローを導入し、可逆モジュロシフト変換を用いて、生成および最適化タスクで従来法より優れた性能を達成する。

ABSTRACT

We consider the problem of molecular graph generation using deep models. While graphs are discrete, most existing methods use continuous latent variables, resulting in inaccurate modeling of discrete graph structures. In this work, we propose GraphDF, a novel discrete latent variable model for molecular graph generation based on normalizing flow methods. GraphDF uses invertible modulo shift transforms to map discrete latent variables to graph nodes and edges. We show that the use of discrete latent variables reduces computational costs and eliminates the negative effect of dequantization. Comprehensive experimental results show that GraphDF outperforms prior methods on random generation, property optimization, and constrained optimization tasks.

研究の動機と目的

• 離散データ表現と化学規則に関して、分子グラフ生成の動機づけを行う。
• グラフ生成のための離散潜在変数フロー枠組みを提案する。
• デクアンタイズとヤコビアン計算を必要とせずに、効率的な生成を可能にする。
• 結合価数チェックと自己回帰構造を通じて化学的有効性を組み込む。
• ランダム生成と最適化実験を通じて有効性を示す。

提案手法

• 離散潜在変数を用いたノードとエッジの逐次生成ステップとしてグラフを表現する。
• ノードにはz_i、エッジにはz_ijとして多項分布の潜在変数を用いる。
• 潜在変数をグラフ要素に写像するため、離散モジュロシフト変換 q(z) = (z + mu) mod t を適用する。
• 生成された部分グラフを条件づける共有リレーショナル GCN によって mu_i^d および mu_ij^d を計算する。
• 離散可逆写像を用いた最大尤度で訓練する；推論は BFS 順序付けと離散逆変換によって行う。
• オプションとして、性質最適化および制約付き最適化のために強化学習（PPO）でファインチューニングする。

実験結果

リサーチクエスチョン

• RQ1 離散潜在変数フローはデクアンタイズの歪みを回避しつつ、分子グラフの分布を正確にモデルできるか。
• RQ2 分子グラフ生成タスクにおいて、離散フロー手法は連続潜在変数フロー手法を上回るか。
• RQ3 GCN 条件付けを通じてグラフ構造情報を組み込むことが、生成品質と化学的有効性にどのような影響を与えるか。
• RQ4 最先端のベースラインと比較した場合、GraphDF が性質最適化および制約付き最適化ベンチマークに与える影響はどの程度か。

主な発見

• GraphDF は複数のデータセットにまたがるいくつかの分子生成タスクで既存手法を上回る。
• モデルは報告された結果において、ランダム生成実験で100% の有効性と再構成率を達成する。
• モジュロシフトフローを用いた離散潜在変数は、ヤコビアン計算を回避することで計算コストを削減し、デクアンタイズ関連の問題を排除する。
• 結合価数チェックを伴う逐次的・自己回帰的生成は、化学的有効性と多様な出力を保証する。
• GraphDF は性質最適化（Penalized logP および QED）と類似性制約下の制約付き最適化で高い性能を発揮する。
• このアプローチは分子グラフ以外の一般的なグラフデータでも競争力のある結果を示す。