[論文レビュー] GraphNVP: an Invertible Flow-based Model for Generating Molecular Graphs

Kaushalya Madhawa, Katsuhiko Ishiguro+2 more|arXiv (Cornell University)|Sep 25, 2019

Machine Learning in Materials Science参考文献 25被引用数 47

ひとこと要約

GraphNVP は、グラフ生成を隣接テンソルとノード属性生成に分解することにより、分子グラフの生成に初めて可逆正規化フローに基づくモデルを提案した。正確な尤度最適化が可能であり、一貫性があり多様な有効な分子の生成が可能で、特性指向の生成に有用な分離された潜在空間を提供する。

ABSTRACT

We propose GraphNVP, the first invertible, normalizing flow-based molecular graph generation model. We decompose the generation of a graph into two steps: generation of (i) an adjacency tensor and (ii) node attributes. This decomposition yields the exact likelihood maximization on graph-structured data, combined with two novel reversible flows. We empirically demonstrate that our model efficiently generates valid molecular graphs with almost no duplicated molecules. In addition, we observe that the learned latent space can be used to generate molecules with desired chemical properties.

研究の動機と目的

• 正確な尤度推定が可能な正規化フローに基づく分子グラフ生成モデルの開発。
• グラフ生成を二つの可逆なステップに分解する：隣接テンソルとノード属性生成。
• 最小限の重複で効率的かつ多様で有効な分子グラフ生成を可能にする。
• 特性指向の分子生成を支援する分離された潜在空間の学習。

提案手法

• モデルは、グラフ生成を二つの可逆フローに分解する新しい手法を用いる：一つは隣接テンソル用、もう一つはノード属性用。
• 可逆性と正確な尤度計算を保証するために、正規化フロー枠組みで結合層を適用する。
• 隣接テンソルのフローは、隣接行列の上三角部分に対する可逆変換を用いてグラフのトポロジーをモデル化する。
• ノード属性の生成は、ノード特徴量に対する別個の可逆フローでモデル化され、可逆性が維持される。
• 正規化フロー理論を用いて、分子グラフの正確な対数尤度を最大化する。
• 全プロセスが微分可能であり、エンドツーエンドで訓練可能であり、勾配ベースの最適化が可能である。

実験結果

リサーチクエスチョン

• RQ1 可逆正規化フローは、正確な尤度推定を伴って分子グラフ生成に効果的に適用可能か？
• RQ2 グラフ生成を隣接関係とノード属性のフローに分解することで、生成品質と多様性が向上するか？
• RQ3 GraphNVP が学習した潜在空間は、望ましい化学的特性を持つ分子の生成に利用可能か？
• RQ4 重複率と有効性の観点から、既存の生成モデルと比較して GraphNVP はどのように差をつけるか？

主な発見

• GraphNVP は重複率がほぼゼロで分子グラフを生成しており、生成分布の多様性が非常に高いことを示している。
• モデルはグラフ構造データにおいて正確な尤度最大化を達成しており、自己回帰的または変分的モデルと比較して顕著な利点を有する。
• 学習された潜在空間は、望ましい化学的特性を制御可能な特性指向生成を効果的に行うのに有効である。
• 後処理やリジェクションサンプリングを必要とせず、効率的に有効な分子グラフを生成できる。