Fugu-MT 論文翻訳(概要): Factor Graph Molecule Network for Structure Elucidation

論文の概要: Factor Graph Molecule Network for Structure Elucidation

arxiv url: http://arxiv.org/abs/2012.05665v1
Date: Thu, 10 Dec 2020 13:45:17 GMT
ステータス: 処理完了
システム内更新日: 2021-05-15 15:55:16.268038
Title: Factor Graph Molecule Network for Structure Elucidation
Title（参考訳）: 構造解明のための因子グラフ分子ネットワーク
Authors: Hieu Le Trung and Yiqing Xu and Wee Sun Lee
Abstract要約: ニューラルネットワークの強力な近似力を持つ因子グラフの高次関係学習を取り入れ,分子構造学習ネットワークを構築する。また,因子ノードの効率的な設計,因子間の条件パラメータ共有,分子構造予測における対称性問題などの問題に対処する手法を提案する。
参考スコア（独自算出の注目度）: 20.533549394697868
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Designing a network to learn a molecule structure given its physical/chemical properties is a hard problem, but is useful for drug discovery tasks. In this paper, we incorporate higher-order relational learning of Factor Graphs with strong approximation power of Neural Networks to create a molecule-structure learning network that has strong generalization power and can enforce higher-order relationship and valence constraints. We further propose methods to tackle problems such as the efficient design of factor nodes, conditional parameter sharing among factors, and symmetry problems in molecule structure prediction. Our experiment evaluation shows that the factor learning is effective and outperforms related methods.
Abstract（参考訳）: 物理化学的性質から分子構造を学習するネットワークを設計することは難しい問題であるが、薬物発見タスクには有用である。本稿では,ニューラルネットワークの強力な近似力を持つ因子グラフの高次関係学習を取り入れ,強汎化力を有し,高次関係と原子価制約を強制できる分子構造学習ネットワークを構築する。さらに, 因子ノードの効率的な設計, 因子間の条件パラメータ共有, 分子構造予測における対称性問題などの問題に取り組む手法を提案する。実験の結果,因子学習は有効であり,関連する手法よりも優れていた。

関連論文リスト

GraphXForm: Graph transformer for computer-aided molecular design with application to extraction [73.1842164721868]
本稿では,デコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormについて述べる。液液抽出のための2つの溶媒設計課題について評価し,4つの最先端分子設計技術より優れていることを示した。
論文参考訳（メタデータ） (2024-11-03T19:45:15Z)
CTAGE: Curvature-Based Topology-Aware Graph Embedding for Learning Molecular Representations [11.12640831521393]
分子グラフデータから構造的洞察を抽出するために,$k$hopの離散リッチ曲率を用いたCTAGEの埋め込み手法を提案する。その結果,ノード曲率の導入は,現在のグラフニューラルネットワークフレームワークの性能を著しく向上させることがわかった。
論文参考訳（メタデータ） (2023-07-25T06:13:01Z)
Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
論文参考訳（メタデータ） (2023-05-22T00:56:00Z)
Substructure-Atom Cross Attention for Molecular Representation Learning [21.4652884347198]
分子表現学習のための新しい枠組みを提案する。私たちの貢献は3つある: (a) 部分構造を分子のノード的特徴に組み込むことの有用性を実証すること、(b) トランスフォーマーとグラフニューラルネットワークからなる2つの分岐ネットワークを設計すること、(c) 分子からの特徴や計算的な情報を必要としないこと、である。
論文参考訳（メタデータ） (2022-10-15T09:44:27Z)
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)
Semi-Supervised GCN for learning Molecular Structure-Activity Relationships [4.468952886990851]
そこで本稿では,半教師付き学習を用いたグラフ-グラフ間ニューラルネットワークの学習手法を提案する。最終目標として、我々のアプローチは、アクティビティ崖、リード最適化、デノボドラッグデザインといった問題に対処するための貴重なツールとなる可能性がある。
論文参考訳（メタデータ） (2022-01-25T09:09:43Z)
Differentiable Scaffolding Tree for Molecular Optimization [47.447362691543304]
本稿では,離散的な化学構造を局所的な微分可能木に変換するための知識ネットワークを用いた微分可能な足場木(DST)を提案する。実験により, 勾配に基づく分子最適化は有効であり, 試料効率が高いことが示された。
論文参考訳（メタデータ） (2021-09-22T01:16:22Z)
Gini in a Bottleneck: Sparse Molecular Representations for Graph Convolutional Neural Networks [4.297070083645049]
マルチタスクグラフ畳み込みニューラルネットワークにおいて、Giniインデックスに従って一定の重みを拘束することは、いくつかの目標に対する評価指標を劣化させるものではないことを示す。次に、パブリックなQM9データセット上で量子化学ターゲットに関する概念実証実験を行い、独自の薬物様分子に対するADMETターゲットに関するより大きな実験を行った。
論文参考訳（メタデータ） (2020-10-09T12:55:17Z)
Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文参考訳（メタデータ） (2020-08-19T04:53:31Z)
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。