Python深度强化学习RL用GAT、GraphSAGE、GCN图神经网络PPO环境建模|附数据代码
作为在谷歌深耕机器学习、算法与数据挖掘的技术人,同时也在高校指导学生,我始终关注如何将前沿的图学习方法落地到实际的序贯决策场景。
作为在谷歌深耕机器学习、算法与数据挖掘的技术人,同时也在高校指导学生,我始终关注如何将前沿的图学习方法落地到实际的序贯决策场景。
本文基于图神经网络框架,构建多层图卷积网络对分子亲脂性(logD)进行回归预测。采用 Lipophilicity 数据集,将分子表示为图结构,节点为原子、边为化学键,通过三层图卷积与全局池化聚合整图特征,输出连续型 logD 值。
本文主要探讨了如何利用图卷积网络(GCN)对图中的节点进行分类。

技术干货

最新洞察

视频号
This will close in 0 seconds