ترجمه فارسی مقاله GNN-SKAN: مهار قدرت SwallowKAN برای پیشبرد یادگیری نمایش مولکولی با GNNها

چکیده

Effective molecular representation learning is crucial for advancing molecular property prediction and drug design. Mainstream molecular representation learning approaches are based on Graph Neural Networks (GNNs). However, these approaches struggle with three significant challenges: insufficient annotations, molecular diversity, and architectural limitations such as over-squashing, which leads to the loss of critical structural details. To address these challenges, we introduce a new class of GNNs that integrates the Kolmogorov-Arnold Networks (KANs), known for their robust data-fitting capabilities and high accuracy in small-scale AI + Science tasks. By incorporating KANs into GNNs, our model enhances the representation of molecular structures. We further advance this approach with a variant called SwallowKAN (SKAN), which employs adaptive Radial Basis Functions (RBFs) as the core of the non-linear neurons. This innovation improves both computational efficiency and adaptability to diverse molecular structures. Building on the strengths of SKAN, we propose a new class of GNNs, GNN-SKAN, and its augmented variant, GNN-SKAN+, which incorporates a SKAN-based classifier to further boost performance. To our knowledge, this is the first work to integrate KANs into GNN architectures tailored for molecular representation learning. Experiments across 6 classification datasets, 6 regression datasets, and 4 few-shot learning datasets demonstrate that our approach achieves new state-of-the-art performance in terms of accuracy and computational cost.

چکیده به فارسی (ترجمه ماشینی)

یادگیری بازنمایی مولکولی مؤثر برای پیش بینی پیش بینی خاصیت مولکولی و طراحی دارو بسیار مهم است.رویکردهای یادگیری مولکولی جریان اصلی مبتنی بر شبکه های عصبی نمودار (GNN) است.با این حال ، این رویکردها با سه چالش مهم مبارزه می کنند: حاشیه نویسی کافی ، تنوع مولکولی و محدودیت های معماری مانند بیش از حد ، که منجر به از بین رفتن جزئیات ساختاری بحرانی می شود.برای پرداختن به این چالش ها ، ما کلاس جدیدی از GNN ها را معرفی می کنیم که شبکه های Kolmogorov-Arnold (KANS) را ادغام می کند ، که به دلیل قابلیت های مناسب برای داده ها و دقت بالا در کارهای علمی در مقیاس کوچک شناخته شده است.با ترکیب KAN ها در GNN ، مدل ما بازنمایی ساختارهای مولکولی را تقویت می کند.ما بیشتر این روش را با یک نوع به نام Swallowkan (SKAN) پیش می بریم ، که از عملکردهای پایه شعاعی سازگار (RBF) به عنوان هسته نورونهای غیرخطی استفاده می کند.این نوآوری هم بهره وری محاسباتی و هم سازگاری با ساختارهای مولکولی متنوع را بهبود می بخشد.با تکیه بر نقاط قوت SKAN ، ما کلاس جدیدی از GNN ها ، GNN-Skan و نوع افزودنی آن ، GNN-Skan+را پیشنهاد می کنیم که شامل یک طبقه بندی کننده مبتنی بر SKAN برای تقویت بیشتر عملکرد است.به دانش ما ، این اولین کار برای ادغام KANS در معماری های GNN متناسب با یادگیری بازنمایی مولکولی است.آزمایشات در 6 مجموعه داده طبقه بندی ، 6 مجموعه داده رگرسیون و 4 مجموعه داده یادگیری چند شات نشان می دهد که رویکرد ما از نظر دقت و هزینه محاسباتی به عملکرد جدید و پیشرفته دست می یابد.