图网络系列之一

图记忆网络在分子活性预测中的应用

Introduction

图作为一种数据结构，具备描述高度复杂关系的能力，例如社交网络关系，具体示例如下图所示。深入挖掘图中所包含的信息是一项极具挑战性的任务。目前已有的一些方法，如基于核函数的策略，涉及大量数学理论，具有一定的研究价值。然而，在深度学习迅速发展的当下，若不将其与深度学习相结合，相关研究很难获得广泛关注。通过检索可以发现，近年来涌现出大量将图结构与深度学习相融合的研究成果。未来有时间的话，我计划对其中一些具有代表性的研究进行系统性梳理。今天，则以本文作为切入点，先初步感受这一领域的研究现状。

本文探讨的是一个以图结构为基础的分子活性预测问题。分子由多个原子通过化学键相互连接构成，因此可以将分子视为一种图结构。通过对分子内部连接关系的深入分析，能够全面理解分子的结构特征，从而实现对其生物活性的准确预测。

Approach

本文采用了一种名为Graph Memory Networks (Graph-Mem)的策略，整体流程如下图所示：

• 1. 首先构建一个memory结构，其中为每个no