由于圖結構的普适性，諸如生物醫學、分子制藥、天體物理等越來越多的高精尖領域已經将圖學習視為智能化、規模化、高效率、低成本創新的關鍵技術。尤其在生物醫藥領，圖學習已在分子性質預測、蛋白質結構預測、藥物靶點親和力預測等方面發揮了巨大價值，受到了學術界及工業界的廣泛關注。
近日，國際圖學習标準OGB(Open Graph Benchmark)挑戰賽公布了排名。在與微軟亞研、Twitter、騰訊、百度、字節跳動、帝國理工、北京大學、上海交大等衆多科技巨頭及高校的競技中，第四範式、清華大學電子系機器學習課題組聯合團隊使用基于Auto ML 打造的 A uto G raph（ 自動化圖神經網絡 ）算法在3項任務中斬獲2項第一、1項第三 ，繼去年摘得OGB雙料第一後再創佳績。
ogbg-molhiv任務第一名
ogbg-ppa任務第一名
ogbg-molpcba任務第三名
(注：無外部數據引入情況下，位居榜單首位)
OGB是目前公認的圖學習基準數據集“标杆”，由圖學習領域的國際學者斯坦福大學Jure Leskovec教授團隊建立，于2019年國際學術會議NeurIPS上正式開源。該數據集囊括了節點性質預測、邊性質鍊接預測、圖性質預測等多項賽題，以質量高、規模大、場景複雜、難度高著稱，素有圖學習領域“ImageNet”之稱，成為衆多科技巨頭、科研院所和高校團隊試驗技術成色的試金石。
繼去年摘得2項知識圖譜鍊接預測後，第四範式今年參與了ogbg-molhiv、ogbg-molpcba、ogbg-ppa等3項數據量龐大且極具挑戰的圖分類任務。其中，ogbg-molhiv、ogbg-molpcba是用于測試分子特性的知名機器學習數據庫MoleculeNet中的數據集之一，對多種疾病的有效藥物篩選和開發具有重要意義和參考價值。
本次大賽中，聯合團隊使用了基于第四範式AutoML打造的PAS(面向圖分類任務的自動池化圖神經網絡搜索算法)參賽。由于圖數據和任務的複雜性，不同任務需要使用最為合适的圖神經網絡模型才能達到效果。PAS算法的價值是可在任意任務上自動搜索效果的圖神經網絡，最終在比賽中超過了業界一系列基于圖神經網絡的圖分類模型，進一步印證了該技術的性及有效性。
免責聲明：本文僅代表作者個人觀點，與每日科技網無關。其原創性以及文中陳述文字和内容未經本站證實，對本文以及其中全部或者部分内容、文字的真實性、完整性、及時性本站不作任何保證或承諾，請讀者僅作參考，并請自行核實相關内容。
本網站有部分内容均轉載自其它媒體，轉載目的在于傳遞更多信息，并不代表本網贊同其觀點和對其真實性負責，若因作品内容、知識産權、版權和其他問題，請及時提供相關證明等材料并與我們聯系，本網站将在規定時間内給予删除等相關處理.
