論文の概要: A Systematic Comparison Study on Hyperparameter Optimisation of Graph
Neural Networks for Molecular Property Prediction
- arxiv url: http://arxiv.org/abs/2102.04283v1
- Date: Mon, 8 Feb 2021 15:40:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-10 01:10:36.353577
- Title: A Systematic Comparison Study on Hyperparameter Optimisation of Graph
Neural Networks for Molecular Property Prediction
- Title（参考訳）: 分子特性予測のためのグラフニューラルネットワークのハイパーパラメータ最適化に関する系統的比較
- Authors: Yingfang Yuan, Wenjun Wang, Wei Pang
- Abstract要約: グラフニューラルネットワーク(GNN)は、幅広いグラフ関連学習タスクに対して提案されている。
近年,分子特性の予測に応用されたGNNシステムが増えてきている。
- 参考スコア（独自算出の注目度）: 8.02401104726362
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural networks (GNNs) have been proposed for a wide range of
graph-related learning tasks. In particular, in recent years there has been an
increasing number of GNN systems that were applied to predict molecular
properties. However, in theory, there are infinite choices of hyperparameter
settings for GNNs, and a direct impediment is to select appropriate
hyperparameters to achieve satisfactory performance with lower computational
cost. Meanwhile, the sizes of many molecular datasets are far smaller than many
other datasets in typical deep learning applications, and most hyperparameter
optimization (HPO) methods have not been explored in terms of their
efficiencies on such small datasets in molecular domain. In this paper, we
conducted a theoretical analysis of common and specific features for two
state-of-the-art and popular algorithms for HPO: TPE and CMA-ES, and we
compared them with random search (RS), which is used as a baseline.
Experimental studies are carried out on several benchmarks in MoleculeNet, from
different perspectives to investigate the impact of RS, TPE, and CMA-ES on HPO
of GNNs for molecular property prediction. In our experiments, we concluded
that RS, TPE, and CMA-ES have their individual advantages in tackling different
specific molecular problems. Finally, we believe our work will motivate further
research on GNN as applied to molecular machine learning problems in chemistry
and materials sciences.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、幅広いグラフ関連学習タスクに対して提案されている。
特に近年,分子特性の予測に応用されたGNNシステムが増えてきている。
しかし、理論上、GNNのハイパーパラメータ設定には無限の選択肢があり、計算コストを低く抑えるために適切なハイパーパラメータを選択することが直接的な障害である。
一方、多くの分子データセットのサイズは、典型的なディープラーニングアプリケーションにおける他の多くのデータセットよりもはるかに小さく、ほとんどのハイパーパラメータ最適化(HPO)方法は、分子ドメインにおけるそのような小さなデータセットの効率の観点から検討されていません。
本論文では,HPOとCMA-ESの2つの最新アルゴリズム(TPEとCMA-ES)の共通特徴と特異特徴を理論的に解析し,ベースラインとして用いるランダム検索(RS)との比較を行った。
分子特性予測のためのGNNのHPOに対するRS, TPE, CMA-ESの影響を調べるために, 様々な観点からMoeculeNetのいくつかのベンチマークで実験を行った。
実験の結果, RS, TPE, CMA-ESは異なる分子問題に対処する上で, 個々の利点があることがわかった。
最後に、私たちの研究は、化学および材料科学の分子機械学習問題に適用されるように、GNNに関するさらなる研究を動機づけると信じています。
関連論文リスト
- Investigating Graph Neural Networks and Classical Feature-Extraction Techniques in Activity-Cliff and Molecular Property Prediction [0.6906005491572401]
分子の破滅は、分子データの数値的特徴ベクトルへの変換を指す。
分子グラフから直接識別可能な特徴を学習する新しい手法として、メッセージパッシンググラフニューラルネットワーク(GNN)が登場した。
論文 参考訳（メタデータ） (2024-11-20T20:07:48Z) - Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric
GNNs [66.98487644676906]
我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。
幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。
また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
論文 参考訳（メタデータ） (2024-09-26T08:16:59Z) - Machine Learning Small Molecule Properties in Drug Discovery [44.62264781248437]
我々は, 結合親和性, 溶解性, ADMET (吸収, 分布, 代謝, 排出, 毒性) を含む幅広い特性について検討する。
化学指紋やグラフベースニューラルネットワークなど,既存の一般的な記述子や埋め込みについて論じる。
最後に、モデル予測の理解を提供する技術、特に薬物発見における重要な意思決定について評価する。
論文 参考訳（メタデータ） (2023-08-02T22:18:41Z) - Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular
Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。
我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。
複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文 参考訳（メタデータ） (2023-02-04T01:32:40Z) - ViSNet: an equivariant geometry-enhanced graph neural network with
vector-scalar interactive message passing for molecules [69.05950120497221]
本稿では、幾何学的特徴をエレガントに抽出し、分子構造を効率的にモデル化する同変幾何拡張グラフニューラルネットワークViSNetを提案する。
提案するViSNetは,MD17,MD17,MD22を含む複数のMDベンチマークにおける最先端の手法よりも優れ,QM9およびMolecule3Dデータセット上での優れた化学的特性予測を実現する。
論文 参考訳（メタデータ） (2022-10-29T07:12:46Z) - 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) - Predicting Aqueous Solubility of Organic Molecules Using Deep Learning
Models with Varied Molecular Representations [3.10678679607547]
本研究の目的は、幅広い有機分子の溶解度を予測できる一般モデルを開発することである。
現在利用可能な最大の溶解度データセットを用いて、分子構造から溶解度を予測するディープラーニングモデルを構築した。
分子ディスクリプタを用いたモデルでは,GNNモデルでも優れた性能が得られた。
論文 参考訳（メタデータ） (2021-05-26T15:54:54Z) - Which Hyperparameters to Optimise? An Investigation of Evolutionary
Hyperparameter Optimisation in Graph Neural Network For Molecular Property
Prediction [8.02401104726362]
グラフニューラルネットワーク(GNN)の研究は注目され、分子特性予測において有望な性能を達成した。
グラフ関連層に属するGNNハイパーパラメータとタスク固有層に属するGNNハイパーパラメータの2種類の選択が,分子特性予測におけるGNNの性能に及ぼす影響に着目した。
論文 参考訳（メタデータ） (2021-04-13T09:21:27Z) - Few-Shot Graph Learning for Molecular Property Prediction [46.60746023179724]
分子特性予測の新しいモデルであるMeta-MGNNを提案する。
ラベルのない分子情報を利用するため、Meta-MGNNはさらに分子構造、属性ベースの自己監視モジュール、および自己注意のタスクウェイトを組み込む。
2つの公開マルチプロパティデータセットに関する広範な実験は、Meta-MGNNがさまざまな最先端のメソッドを上回っていることを示しています。
論文 参考訳（メタデータ） (2021-02-16T01:55:34Z) - Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。
MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
論文 参考訳（メタデータ） (2020-02-26T06:10:12Z)
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。