論文の概要: Geometric Graph Representations and Geometric Graph Convolutions for
Deep Learning on Three-Dimensional (3D) Graphs
- arxiv url: http://arxiv.org/abs/2006.01785v1
- Date: Tue, 2 Jun 2020 17:08:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 23:45:19.626238
- Title: Geometric Graph Representations and Geometric Graph Convolutions for
Deep Learning on Three-Dimensional (3D) Graphs
- Title（参考訳）: 3次元3次元グラフを用いた深層学習のための幾何グラフ表現と幾何グラフ畳み込み
- Authors: Daniel T. Chang
- Abstract要約: ノードとエッジからなる三次元(3次元)グラフの幾何学は、多くの重要な応用において重要な役割を果たす。
我々は3種類の幾何グラフ表現を定義する: 位置、角度幾何学、距離幾何学である。
概念実証には幾何学的グラフ畳み込みに距離幾何学的グラフ表現を用いる。
ESOLおよびFreesolデータセットの幾何グラフ畳み込みの結果は、標準グラフ畳み込みよりも大幅に改善されている。
- 参考スコア（独自算出の注目度）: 0.8722210937404288
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The geometry of three-dimensional (3D) graphs, consisting of nodes and edges,
plays a crucial role in many important applications. An excellent example is
molecular graphs, whose geometry influences important properties of a molecule
including its reactivity and biological activity. To facilitate the
incorporation of geometry in deep learning on 3D graphs, we define three types
of geometric graph representations: positional, angle-geometric and
distance-geometric. For proof of concept, we use the distance-geometric graph
representation for geometric graph convolutions. Further, to utilize standard
graph convolution networks, we employ a simple edge weight / edge distance
correlation scheme, whose parameters can be fixed using reference values or
determined through Bayesian hyperparameter optimization. The results of
geometric graph convolutions, for the ESOL and Freesol datasets, show
significant improvement over those of standard graph convolutions. Our work
demonstrates the feasibility and promise of incorporating geometry, using the
distance-geometric graph representation, in deep learning on 3D graphs.
- Abstract（参考訳）: ノードとエッジからなる三次元(3次元)グラフの幾何学は、多くの重要な応用において重要な役割を果たす。
優れた例として分子グラフがあり、その幾何学はその反応性や生物活性を含む分子の重要な性質に影響を与える。
3次元グラフ上での深層学習における幾何学の組み入れを容易にするため,3種類の幾何学グラフ表現を定義する。
概念実証には幾何学的グラフ畳み込みに距離幾何学的グラフ表現を用いる。
さらに,標準グラフ畳み込みネットワークを利用するために,基準値を用いてパラメータを固定したり,ベイズ超パラメータ最適化によって決定できる単純なエッジウェイト/エッジ距離相関スキームを用いる。
esolとfreesolデータセットに対する幾何グラフ畳み込みの結果は、標準的なグラフ畳み込みよりも大幅に改善されている。
本研究では,3次元グラフを用いた深層学習において,距離・幾何グラフ表現を用いた幾何表現の導入の可能性と期待を示す。
関連論文リスト
- A Survey of Geometric Graph Neural Networks: Data Structures, Models and
Applications [67.33002207179923]
本稿では、幾何学的GNNに関するデータ構造、モデル、および応用について調査する。
幾何学的メッセージパッシングの観点から既存のモデルの統一的なビューを提供する。
また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
論文 参考訳（メタデータ） (2024-03-01T12:13:04Z) - A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。
Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。
本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
論文 参考訳（メタデータ） (2023-12-12T18:44:19Z) - Structure-free Graph Condensation: From Large-scale Graphs to Condensed
Graph-free Data [91.27527985415007]
既存のグラフ凝縮法は、凝縮グラフ内のノードと構造の合同最適化に依存している。
我々は、大規模グラフを小さなグラフノード集合に蒸留する、SFGCと呼ばれる新しい構造自由グラフ凝縮パラダイムを提唱する。
論文 参考訳（メタデータ） (2023-06-05T07:53:52Z) - 3D Molecular Geometry Analysis with 2D Graphs [79.47097907673877]
分子の基底状態3次元ジオメトリは多くの分子解析タスクに必須である。
現代の量子力学的手法は正確な3次元幾何学を計算できるが、計算は禁じられている。
分子グラフから3次元幾何学を予測するための新しいディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-01T19:00:46Z) - Distance Measures for Geometric Graphs [0.0]
幾何編集距離 (GED) と幾何グラフ距離 (GGD) の2つの距離測度について検討する。
GEDは1つのグラフを編集してもう1つのグラフに変換するという考え方に基づいているが、GGDはグラフの不正確なマッチングにインスパイアされている。
GGDが計算に$mathcalNP$-hard、たとえ計算に$mathcalNP$-hardであっても、計算に$mathcalNP$-hardであることを示す。
論文 参考訳（メタデータ） (2022-09-26T17:35:29Z) - Shortest Paths in Graphs with Matrix-Valued Edges: Concepts, Algorithm
and Application to 3D Multi-Shape Analysis [69.08838724594584]
グラフ内の最短経路を見つけることは、コンピュータビジョンやグラフィックスにおける多くの問題に関係している。
本稿では,行列値のエッジを持つグラフにおいて,最短経路のグラフ理論を新たに導入する。
論文 参考訳（メタデータ） (2021-12-08T08:23:37Z) - Joint 3D Human Shape Recovery from A Single Imag with Bilayer-Graph [35.375489948345404]
画像から3次元の人物形状とポーズを推定するための2次元グラフ手法を提案する。
密なグラフから得られた粗いグラフを用いて、人間の3次元のポーズを推定し、密なグラフを使って3次元の形状を推定する。
エンド・ツー・エンドのモデルをトレーニングし、いくつかの評価データセットに対して最先端の結果が得られることを示す。
論文 参考訳（メタデータ） (2021-10-16T05:04:02Z) - Pre-training Molecular Graph Representation with 3D Geometry [39.35244035710228]
分子グラフは典型的には2次元トポロジー構造によってモデル化される。
実世界のシナリオにおける3D情報の欠如は幾何グラフ表現の学習を著しく妨げている。
本稿では,2次元トポロジ構造と3次元幾何学的ビューの対応と整合性を活用して,自己指導型学習を行うグラフ多視点事前学習(Graph Multi-View Pre-training, GraphMVP)フレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-07T17:48:57Z) - Joint Deep Multi-Graph Matching and 3D Geometry Learning from
Inhomogeneous 2D Image Collections [57.60094385551773]
非均質な画像コレクションから変形可能な3Dジオメトリモデルを学ぶためのトレーニング可能なフレームワークを提案する。
さらに,2次元画像で表現された物体の3次元形状も取得する。
論文 参考訳（メタデータ） (2021-03-31T17:25:36Z) - Graph Geometry Interaction Learning [41.10468385822182]
本研究では,グラフにおける豊富な幾何学的特性を学習するための,グラフの幾何学的相互作用学習(GIL)手法を開発した。
提案手法は,各ノードに,フレキシブルな二重特徴量相互作用学習と確率組立機構を通じて,各幾何学空間の重要性を決定する自由を与える。
ノード分類とリンク予測タスクに関する5つのベンチマークデータセットについて,実験結果を示す。
論文 参考訳（メタデータ） (2020-10-23T02:40:28Z) - Distance-Geometric Graph Convolutional Network (DG-GCN) for
Three-Dimensional (3D) Graphs [0.8722210937404288]
距離幾何学グラフ表現に基づくメッセージパッシンググラフ畳み込みネットワークを提案する。
距離からフィルタ重みの学習を可能にし、3次元グラフの幾何学をグラフ畳み込みに組み込む。
本研究は3次元グラフ,特に分子グラフ上でのエンドツーエンドディープラーニングにおけるDG-GCNの有用性と価値を示す。
論文 参考訳（メタデータ） (2020-07-06T15:20:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。