論文の概要: Pre-training Molecular Graph Representation with 3D Geometry

• arxiv url: http://arxiv.org/abs/2110.07728v1
• Date: Thu, 7 Oct 2021 17:48:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-24 04:33:02.917964
• Title: Pre-training Molecular Graph Representation with 3D Geometry
• Title（参考訳）: 3次元幾何学を用いた事前学習分子グラフ表現
• Authors: Shengchao Liu, Hanchen Wang, Weiyang Liu, Joan Lasenby, Hongyu Guo, Jian Tang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 39.35244035710228
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular graph representation learning is a fundamental problem in modern drug and material discovery. Molecular graphs are typically modeled by their 2D topological structures, but it has been recently discovered that 3D geometric information plays a more vital role in predicting molecular functionalities. However, the lack of 3D information in real-world scenarios has significantly impeded the learning of geometric graph representation. To cope with this challenge, we propose the Graph Multi-View Pre-training (GraphMVP) framework where self-supervised learning (SSL) is performed by leveraging the correspondence and consistency between 2D topological structures and 3D geometric views. GraphMVP effectively learns a 2D molecular graph encoder that is enhanced by richer and more discriminative 3D geometry. We further provide theoretical insights to justify the effectiveness of GraphMVP. Finally, comprehensive experiments show that GraphMVP can consistently outperform existing graph SSL methods.
• Abstract（参考訳）: 分子グラフ表現学習は、現代薬物と物質発見の基本的な問題である。 分子グラフは典型的には2次元トポロジカル構造によってモデル化されるが、最近3次元幾何学的情報が分子機能予測においてより重要な役割を果たすことが判明した。 しかし,実世界のシナリオにおける3D情報の欠如は,幾何学的グラフ表現の学習を著しく妨げている。 この課題に対処するために,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利用して,自己教師付き学習(SSL)を行うGraph Multi-View Pre-training (GraphMVP)フレームワークを提案する。 GraphMVPは、よりリッチで差別的な3D幾何によって強化された2D分子グラフエンコーダを効果的に学習する。 GraphMVPの有効性を正当化するための理論的洞察も提供します。 最後に、総合的な実験により、GraphMVPは既存のグラフSSLメソッドを一貫して上回ります。

関連論文リスト

• Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
  新たな3D事前学習フレームワーク(3D PGT)を提案する。 3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。 提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
  論文  参考訳（メタデータ） (2023-06-13T14:43:13Z)
• 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)
• Graph Generation with Diffusion Mixture [57.78958552860948]
  グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。 本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-07T17:07:46Z)
• Distance-Geometric Graph Attention Network (DG-GAT) for 3D Molecular Geometry [0.8722210937404288]
  3次元距離幾何学グラフ表現(DG-GR)は、3次元グラフの幾何学を表現する統一的なスキーム(距離)を採用する。 DG-GRを用いた3次元距離幾何学グラフアテンションネットワーク(DG-GAT)を提案する。 実験により、2次元分子グラフに基づく標準グラフ畳み込みネットワークよりも大幅に改善された。
  論文  参考訳（メタデータ） (2022-07-16T21:39:31Z)
• GraphHD: Efficient graph classification using hyperdimensional computing [58.720142291102135]
  本稿では,HDCを用いたグラフ分類のベースライン手法を提案する。 実世界のグラフ分類問題におけるGraphHDの評価を行った。 その結果,最新のグラフニューラルネットワーク (GNN) と比較すると,提案手法の精度は同等であることがわかった。
  論文  参考訳（メタデータ） (2022-05-16T17:32:58Z)
• Hierarchical Graph Networks for 3D Human Pose Estimation [50.600944798627786]
  最近の2次元から3次元の人間のポーズ推定は、人間の骨格のトポロジーによって形成されたグラフ構造を利用する傾向がある。 この骨格トポロジーは体の構造を反映するには小さすぎるため、重度の2次元から3次元のあいまいさに悩まされていると我々は主張する。 本稿では,これらの弱点を克服するために,新しいグラフ畳み込みネットワークアーキテクチャである階層グラフネットワークを提案する。
  論文  参考訳（メタデータ） (2021-11-23T15:09:03Z)
• 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)
• GeomGCL: Geometric Graph Contrastive Learning for Molecular Property Prediction [47.70253904390288]
  本研究では2次元および3次元ビューにまたがる分子の幾何を利用した新しいグラフコントラスト学習法を提案する。 具体的には、分子の2次元グラフと3次元グラフの両方のリッチな情報を適応的に活用するために、2次元幾何学的メッセージパッシングネットワーク(GeomMPNN)を考案する。
  論文  参考訳（メタデータ） (2021-09-24T03:55:27Z)
• 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)
• Geometric Graph Representations and Geometric Graph Convolutions for Deep Learning on Three-Dimensional (3D) Graphs [0.8722210937404288]
  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。
  論文  参考訳（メタデータ） (2020-06-02T17:08:59Z)

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。