Fugu-MT 論文翻訳(概要): Weisfeiler-Lehman Embedding for Molecular Graph Neural Networks

論文の概要: Weisfeiler-Lehman Embedding for Molecular Graph Neural Networks

arxiv url: http://arxiv.org/abs/2006.06909v2
Date: Tue, 18 Aug 2020 03:12:46 GMT
ステータス: 処理完了
システム内更新日: 2022-11-22 02:32:22.352356
Title: Weisfeiler-Lehman Embedding for Molecular Graph Neural Networks
Title（参考訳）: 分子グラフニューラルネットワークのためのWeisfeiler-Lehman埋め込み
Authors: Katsuhiko Ishiguro and Kenta Oono and Kohei Hayashi
Abstract要約: グラフニューラルネットワーク(GNN)は分子の化学的性質を予測するのに最適である。本稿ではWeisfeiler-Lehman埋め込みを用いて原子表現を拡張する。 We show WL embeddedding can replaced the first two layer of ReLU GNN with a smaller weight norm。
参考スコア（独自算出の注目度）: 15.662820454886203
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A graph neural network (GNN) is a good choice for predicting the chemical properties of molecules. Compared with other deep networks, however, the current performance of a GNN is limited owing to the "curse of depth." Inspired by long-established feature engineering in the field of chemistry, we expanded an atom representation using Weisfeiler-Lehman (WL) embedding, which is designed to capture local atomic patterns dominating the chemical properties of a molecule. In terms of representability, we show WL embedding can replace the first two layers of ReLU GNN -- a normal embedding and a hidden GNN layer -- with a smaller weight norm. We then demonstrate that WL embedding consistently improves the empirical performance over multiple GNN architectures and several molecular graph datasets.
Abstract（参考訳）: グラフニューラルネットワーク(GNN)は分子の化学的性質を予測するのに最適である。しかし、他のディープネットワークと比較して、GNNの現在の性能は「深さの計算」によって制限されている。 Wesfeiler-Lehman (WL) 埋め込みを用いて, 分子の化学的性質を規定する局所的な原子パターンを捉えた原子表現を拡張した。表現可能性の観点から、wl埋め込みはrelu gnnの最初の2層 -- 正規埋め込みと隠れgnn層 -- をより小さなウェイトノルムに置き換えることができることを示した。次に、WL埋め込みは、複数のGNNアーキテクチャと複数の分子グラフデータセットに対する経験的性能を一貫して改善することを示した。

関連論文リスト

Spiking Graph Neural Network on Riemannian Manifolds [51.15400848660023]
グラフニューラルネットワーク(GNN)は、グラフの学習において支配的なソリューションとなっている。既存のスパイク GNN はユークリッド空間のグラフを考慮し、構造幾何学を無視している。マニフォールド値スパイキングGNN(MSG)を提案する。 MSGは従来のGNNよりも優れた性能とエネルギー効率を実現している。
論文参考訳（メタデータ） (2024-10-23T15:09:02Z)
Spatio-Spectral Graph Neural Networks [50.277959544420455]
比スペクトルグラフネットワーク(S$2$GNN)を提案する。 S$2$GNNは空間的およびスペクトル的にパラメータ化されたグラフフィルタを組み合わせる。 S$2$GNNsは、MPGNNsよりも厳密な近似理論誤差境界を生じる。
論文参考訳（メタデータ） (2024-05-29T14:28:08Z)
ChiENN: Embracing Molecular Chirality with Graph Neural Networks [10.19088492223333]
本稿では,GNNをノード近傍の順序に敏感にする,理論的に正当化されたメッセージパス方式を提案する。分子キラリティの文脈でこの概念を適用し、任意のGNNモデルに付加可能なキラルエッジニューラルネットワーク層を構築する。 GNNにChiENN層を追加することで、キラル感受性分子特性予測タスクにおける最先端の手法よりも優れた性能を示すことを示す。
論文参考訳（メタデータ） (2023-07-05T10:50:40Z)
Graph Neural Networks are Inherently Good Generalizers: Insights by Bridging GNNs and MLPs [71.93227401463199]
本稿では、P(ropagational)MLPと呼ばれる中間モデルクラスを導入することにより、GNNの性能向上を本質的な能力に向ける。 PMLPは、トレーニングにおいてはるかに効率的でありながら、GNNと同等(あるいはそれ以上)に動作することを観察する。
論文参考訳（メタデータ） (2022-12-18T08:17:32Z)
HiGNN: Hierarchical Informative Graph Neural Networks for Molecular Property Prediction Equipped with Feature-Wise Attention [5.735627221409312]
分子特性を予測するための階層型情報グラフニューラルネットワークフレームワーク(HiGNN)を提案する。実験により、HiGNNは、多くの挑戦的な薬物発見関連ベンチマークデータセットに対して最先端の予測性能を達成することが示された。
論文参考訳（メタデータ） (2022-08-30T05:16:15Z)
Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文参考訳（メタデータ） (2022-07-25T11:30:44Z)
Expressiveness and Approximation Properties of Graph Neural Networks [6.1323142294300625]
Wesfeiler-Leman (WL) テストの観点で GNN の分離パワーのバウンダリを得るためのエレガントな方法を提供する。我々はテンソル言語を用いて、MPNNの自然な拡張である高次メッセージパッシングニューラルネットワーク(またはk-MPNN)を定義する。提案手法は,GNNアーキテクチャ設計者がGNNの分離パワーを解析できるツールボックスを提供する。
論文参考訳（メタデータ） (2022-04-10T11:33:04Z)
Image-Like Graph Representations for Improved Molecular Property Prediction [7.119677737397071]
本稿では,CubeMol と呼ばれる GNN の必要性を完全に回避する,新しい固有分子表現法を提案する。我々の定次元表現は、トランスモデルと組み合わせると、最先端のGNNモデルの性能を超え、拡張性を提供する。
論文参考訳（メタデータ） (2021-11-20T22:39:11Z)
Graph Neural Network Architecture Search for Molecular Property Prediction [1.0965065178451106]
分子特性予測のためのグラフニューラルネットワーク(GNN)の設計と開発を自動化するNAS手法を開発した。具体的には、量子力学および物理化学データセットにおける小分子の分子特性を予測するために、メッセージパッシングニューラルネットワーク(MPNN)の自動開発に焦点を当てる。
論文参考訳（メタデータ） (2020-08-27T15:30:57Z)
Eigen-GNN: A Graph Structure Preserving Plug-in for GNNs [95.63153473559865]
グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。既存のGNNモデルの多くは浅く、本質的に機能中心である。我々は,既存の浅いGNNがグラフ構造をよく保存できないことを経験的かつ解析的に示す。本稿では,グラフ構造保存におけるGNNの能力を高めるプラグインモジュールであるEigen-GNNを提案する。
論文参考訳（メタデータ） (2020-06-08T02:47:38Z)
Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。 MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
論文参考訳（メタデータ） (2020-05-17T04:46:07Z)

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。