标签
该论文提出 Graph-Dependent Pooling (GDPool)，一种动态决定每个图池化粒度的层级图神经网络池化方法，通过自注意力选择锚点并在金属有机框架和分子图基准上取得最佳性能。
本文研究了为何图 Transformer 相比大语言模型很少形成注意力汇聚现象，并表明注意力评分函数——而非图结构——是主要原因：将 GRIT 的门控 logit 替换为点积注意力后，其注意力汇聚率从 0.09 升至 0.68。
本文揭示了图神经网络top-k解释中的一个根本问题：输入图中的自同构导致解释不唯一，因为模型无法区分对称元素。作者提出了一个检测这种任意性的标准，并利用Lean 4中的自动推理对其进行了验证，表明该问题在分子数据集中广泛存在。
本文提出ChemHyperMag，一种物理启发的磁性超图学习方法，用于多任务ADMET预测。该方法利用官能团超图和厄米磁性拉普拉斯算子捕捉非对称相互作用和方向信号，在更少标注样本下提高预测精度。