MolCLR: Molecular Contrastive Learning of Representations via Graph Neural Networks

3줄 요약

- molecular 분야는 labeled data가 부족

- contrastive를 위한 augmentation 방법으로 atom masking, bond deletion, subgraph removal 제안

- Encoder로 5-layer GIN 사용

 

Contrastive Learning

- SimCLR에서 제안한 NT-Xent (normalized temperature-scaled cross entropy) loss를 loss function 으로 사용

- cosine similarity 활용

 

 

Results

 

Comment

- 기존 Graph Contrastive Learning에서 Graph를 Molecule로 치환한 Idea 말고는 큰 novelty가 없는 것 같다.

- augmenation 방법도 기존에 제안했던 방법과 거의 동일하고 node를 atom으로, edge를 bond로 용어를 바꾼 것 말고는 새로운 방법은 아니라고 생각된다.