本文提出了一种用于 分子属性预测 的 少样本学习（Few-shot Learning） 模型—— PG-DERN，该模型结合了 双视角编码器（Dual-view Encoder） 和 关系图学习网络（Relation Graph Learning Network）

双视角编码器模块：提出了一种双视角编码器模块，旨在从节点和子图两个不同的角度学习图嵌入。这两个视角编码器互补彼此的结构信息，进行特征增强。为了确保双视角编码器的稳定性，

关系图学习模块：提出了一种关系图学习模块，通过分子之间的相似性构建关系图。在关系图上，分子的特征信息可以传播，允许分子从其他分子中学习到更多的监督信息，从而增强分子特征的鲁棒性。

图C展示了增强图嵌入预测模块的架构。该模块用于根据增强后的图嵌入 z^τ,i\hat{z}_{\tau,i}z^τ,i​ 进行预测，主要由三个主要组成部分：节点视图嵌入、整体图嵌入和子图视图嵌入，每个嵌入都通过一个多层感知机（MLP）进行处理，并输出对应的预测结果。

图D展示了属性引导特征增强模块的架构。该模块的设计目的是通过在少样本学习的场景中增强特征表示，使得模型能够更好地从相似属性的分子中学习信息。具体而言，模块通过计算属性之间的相似性，将从其他具有相似属性的分子中转移的信息增强到新的分子特征中，从而改善模型在新属性上的预测性能。

基于图神经网络（GNN）的分子表示学习架构，分为节点视图编码器（Node-view Encoder）和子图视图编码器（Subgraph-view Encoder）两个模块。具体来说，该架构采用了图神经网络（GNN）来处理分子结构并生成不同层次的图嵌入（Graph Embedding）。