Fugu-MT 論文翻訳(概要): On Graph Neural Network Ensembles for Large-Scale Molecular Property Prediction

論文の概要: On Graph Neural Network Ensembles for Large-Scale Molecular Property Prediction

arxiv url: http://arxiv.org/abs/2106.15529v1
Date: Tue, 29 Jun 2021 15:58:34 GMT
ステータス: 処理完了
システム内更新日: 2021-06-30 15:22:52.337940
Title: On Graph Neural Network Ensembles for Large-Scale Molecular Property Prediction
Title（参考訳）: 大規模分子特性予測のためのグラフニューラルネットワークアンサンブルについて
Authors: Edward Elson Kosasih, Joaquin Cabezas, Xavier Sumba, Piotr Bielak, Kamil Tagowski, Kelvin Idanwekhai, Benedict Aaron Tjandra, Arian Rokkum Jamasb
Abstract要約: PCQM4M-LSCデータセットは、約3.8Mグラフ上の分子HOMO-LUMO特性予測タスクを定義する。 3つのグラフニューラルネットワークモデルのアンサンブルを構築する、現行のワーク・イン・プログレス・ソリューションを紹介します。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In order to advance large-scale graph machine learning, the Open Graph Benchmark Large Scale Challenge (OGB-LSC) was proposed at the KDD Cup 2021. The PCQM4M-LSC dataset defines a molecular HOMO-LUMO property prediction task on about 3.8M graphs. In this short paper, we show our current work-in-progress solution which builds an ensemble of three graph neural networks models based on GIN, Bayesian Neural Networks and DiffPool. Our approach outperforms the provided baseline by 7.6%. Moreover, using uncertainty in our ensemble's prediction, we can identify molecules whose HOMO-LUMO gaps are harder to predict (with Pearson's correlation of 0.5181). We anticipate that this will facilitate active learning.
Abstract（参考訳）: 大規模グラフ機械学習を推進するため、KDDカップ2021でOpen Graph Benchmark Large Scale Challenge (OGB-LSC)が提案された。 PCQM4M-LSCデータセットは、約3.8Mグラフ上の分子HOMO-LUMO特性予測タスクを定義する。本稿では、GIN, Bayesian Neural Networks, DiffPoolをベースとした3つのグラフニューラルネットワークモデルのアンサンブルを構築する、現行のワーク・イン・プログレス・ソリューションについて述べる。我々のアプローチは、提供されたベースラインを7.6%上回る。さらに、アンサンブルの予測の不確実性を用いて、HOMO-LUMOギャップが予測しにくい分子を同定することができる(ピアソンの相関式0.5181)。これが活発な学習を促進すると期待している。

関連論文リスト

LSEnet: Lorentz Structural Entropy Neural Network for Deep Graph Clustering [59.89626219328127]
グラフクラスタリングは機械学習の基本的な問題である。近年、ディープラーニング手法は最先端の成果を達成しているが、事前に定義されたクラスタ番号なしでは動作できない。本稿では,グラフ情報理論の新たな視点からこの問題に対処することを提案する。
論文参考訳（メタデータ） (2024-05-20T05:46:41Z)
On the Scalability of GNNs for Molecular Graphs [7.402389334892391]
グラフニューラルネットワーク(GNN)は、スパース演算の効率の低下、大規模なデータ要求、さまざまなアーキテクチャの有効性の明確さの欠如など、スケールのメリットをまだ示していない。我々は,2次元分子グラフの公開コレクションにおいて,メッセージパッシングネットワーク,グラフトランスフォーマー,ハイブリッドアーキテクチャを解析する。初めて、GNNは、深度、幅、分子数、ラベルの数、事前訓練データセットの多様性の増大によって、非常に恩恵を受けることを観察した。
論文参考訳（メタデータ） (2024-04-17T17:11:31Z)
Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [55.42602325017405]
本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。 11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
論文参考訳（メタデータ） (2023-06-02T15:49:45Z)
An ensemble of VisNet, Transformer-M, and pretraining models for molecular property prediction in OGB Large-Scale Challenge @ NeurIPS 2022 [48.109627319222334]
ViSNet Team はテストチェレンジセットで 0.0723 eV の MAE を達成し、昨年のベストメソッドと比較して誤差を 39.75% 削減した。
論文参考訳（メタデータ） (2022-11-23T09:12:17Z)
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)
MolGraph: a Python package for the implementation of molecular graphs and graph neural networks with TensorFlow and Keras [51.92255321684027]
MolGraphは、分子機械学習(ML)のためのグラフニューラルネットワーク(GNN)パッケージである MolGraphは、分子ML問題を解決するためにGNNアルゴリズムに渡すことができる小さな分子グラフを生成するための化学モジュールを実装している。 GNNは分子識別に有用であり,クロマトグラフィー保持時間データの解釈性が向上した。
論文参考訳（メタデータ） (2022-08-21T18:37:41Z)
Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based Motion Prediction [92.16318571149553]
本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。 MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
論文参考訳（メタデータ） (2021-08-25T14:05:37Z)
Fast Quantum Property Prediction via Deeper 2D and 3D Graph Networks [41.727588601578155]
2次元分子グラフから直接学習することで量子特性を予測するディープグラフニューラルネットワークを設計する。また,ローコスター集合から学習する3次元グラフニューラルネットワークを提案する。
論文参考訳（メタデータ） (2021-06-16T05:07:28Z)
Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
論文参考訳（メタデータ） (2020-12-17T17:44:01Z)
Examining COVID-19 Forecasting using Spatio-Temporal Graph Neural Networks [8.949096210063662]
本研究では,グラフニューラルネットワークと移動データを用いた新型コロナウイルスのケース予測の新しい予測手法について検討する。我々は、このアプローチを米国の郡レベルのCOVID-19データセットで評価し、グラフニューラルネットワークが活用する豊かな空間的・時間的情報により、複雑なダイナミクスを学習できることを実証した。
論文参考訳（メタデータ） (2020-07-06T23:11:38Z)

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。