Обзор методов интерпретации графовых нейронных сетей для предсказания молекулярных свойств

Применение моделей глубокого обучения к химическим данным дает хорошие результаты для различных классов задач: от предсказания свойств молекул до синтеза. На данный момент наиболее эффективными подходами для предсказания молекулярных свойств методами глубокого обучения являются графовые нейросети. Несмотря на общую результативность, одной из проблем нейросетевых подходов является трудность интерпретации выученных моделью параметров и итоговых предсказаний. Различные способы визуализации моделей глубокого обучения позволяют лучше оценить адекватность модели. Для задач из области химии визуализация может помочь отследить механизмы, связывающие молекулярную структуру и свойства молекул. На семинаре мы рассмотрим методы интерпретации графовых нейронных сетей, предлагаемые в различных статьях, на примере экспериментов с химическими данными. Также мы более подробно обсудим применение одного из методов к модели StructWeaveGNN, предсказывающей свойства липофильности. Докладчик: Дмитрий Галимзянов.