論文の概要: Directional Message Passing on Molecular Graphs via Synthetic
Coordinates
- arxiv url: http://arxiv.org/abs/2111.04718v1
- Date: Mon, 8 Nov 2021 18:53:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-09 18:11:19.810794
- Title: Directional Message Passing on Molecular Graphs via Synthetic
Coordinates
- Title(参考訳): 合成座標による分子グラフ上の方向メッセージパッシング
- Authors: Johannes Klicpera, Chandan Yeshwanth, Stephan G\"unnemann
- Abstract要約: そこで本研究では, 分子構造を必要とせずに, 高度なGNNを利用できる合成座標を提案する。
この変換により、通常のグラフニューラルネットワークの誤差をZINCベンチマークで55%削減できることを示す。
さらに、SMPおよびDimeNet++モデルに合成座標を組み込むことにより、ZINCおよび座標自由QM9に関する技術の現状を規定する。
- 参考スコア(独自算出の注目度): 7.314446024059812
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural networks that leverage coordinates via directional message
passing have recently set the state of the art on multiple molecular property
prediction tasks. However, they rely on atom position information that is often
unavailable, and obtaining it is usually prohibitively expensive or even
impossible. In this paper we propose synthetic coordinates that enable the use
of advanced GNNs without requiring the true molecular configuration. We propose
two distances as synthetic coordinates: Distance bounds that specify the rough
range of molecular configurations, and graph-based distances using a symmetric
variant of personalized PageRank. To leverage both distance and angular
information we propose a method of transforming normal graph neural networks
into directional MPNNs. We show that with this transformation we can reduce the
error of a normal graph neural network by 55% on the ZINC benchmark. We
furthermore set the state of the art on ZINC and coordinate-free QM9 by
incorporating synthetic coordinates in the SMP and DimeNet++ models. Our
implementation is available online.
- Abstract(参考訳): 指向性メッセージパッシングを通じて座標を利用するグラフニューラルネットワークは、最近、複数の分子特性予測タスクにテクニックの状態を設定した。
しかし、それらはしばしば利用できない原子の位置情報に依存しており、入手は通常、高価または不可能である。
本稿では, 分子構成を必要とせず, 高度なGNNを利用できる合成座標を提案する。
分子配置の粗い範囲を指定する距離境界と、パーソナライズされたPageRankの対称変種を用いたグラフベース距離の2つの距離を合成座標として提案する。
距離情報と角情報の両方を活用するために,通常のグラフニューラルネットワークを指向性MPNNに変換する手法を提案する。
この変換により、通常のグラフニューラルネットワークの誤差をZINCベンチマークで55%削減できることを示す。
さらに、SMPおよびDimeNet++モデルに合成座標を組み込むことにより、ZINCおよび座標自由QM9上の技術の状態を設定する。
私たちの実装はオンラインで利用可能です。
関連論文リスト
- Recurrent Distance Filtering for Graph Representation Learning [37.974907955048984]
反復的なワンホップメッセージパッシングに基づくグラフニューラルネットワークは、遠方のノードからの情報を効果的に活用するのに苦労していることが示されている。
これらの課題を解決するための新しいアーキテクチャを提案する。
我々のモデルは、ターゲットへの最短距離で他のノードを集約し、線形RNNを用いてホップ表現のシーケンスを符号化する。
論文 参考訳(メタデータ) (2023-12-03T23:36:16Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳(メタデータ) (2022-09-20T14:41:37Z) - Graph Neural Network with Local Frame for Molecular Potential Energy
Surface [9.594432031144715]
分子表現学習に新しい局所フレーム法を導入し,その表現性を解析する。
我々は、非退化フレームが与えられた場合、通常のGNNでさえ分子をインジェクティブにエンコードし、最大表現率に達することを証明した。
実験では、単純な通常のGNNアーキテクチャを使用しながら、最先端の精度を実現している。
論文 参考訳(メタデータ) (2022-08-01T10:01:38Z) - Template based Graph Neural Network with Optimal Transport Distances [11.56532171513328]
現在のグラフニューラルネットワーク(GNN)アーキテクチャは、2つの重要なコンポーネントに依存している。
本稿では,学習可能なグラフテンプレートとの距離をグラフ表現のコアに配置する新しい視点を提案する。
この距離埋め込みは、Fused Gromov-Wasserstein (FGW) 距離という最適な輸送距離によって構築される。
論文 参考訳(メタデータ) (2022-05-31T12:24:01Z) - Direct Molecular Conformation Generation [217.4815525740703]
本稿では,原子の座標を直接予測する手法を提案する。
提案手法は,4つの公開ベンチマークの最先端結果を実現する。
論文 参考訳(メタデータ) (2022-02-03T01:01:58Z) - Graph Neural Networks with Learnable Structural and Positional
Representations [83.24058411666483]
任意のグラフの大きな問題は、ノードの標準位置情報の欠如である。
ノードの位置ノード(PE)を導入し、Transformerのように入力層に注入する。
両方のGNNクラスで学習可能なPEを考えると、分子データセットのパフォーマンスは2.87%から64.14%に向上する。
論文 参考訳(メタデータ) (2021-10-15T05:59:15Z) - 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) - Directed Graph Attention Neural Network Utilizing 3D Coordinates for
Molecular Property Prediction [11.726245297344418]
カーネル法とグラフニューラルネットワークは、プロパティ予測の2つの主流手法として広く研究されている。
この研究では、化学結合のみをエッジとして扱うDirected Graph Attention Neural Network(DGANN)に光を当てた。
我々のモデルは、QM9データセット上で、ほとんどのベースライングラフニューラルネットワークにマッチするか、より優れています。
論文 参考訳(メタデータ) (2020-12-01T11:06:40Z) - Nonlinear State-Space Generalizations of Graph Convolutional Neural
Networks [172.18295279061607]
グラフ畳み込みニューラルネットワーク(GCNN)は、線形グラフ畳み込みを非線形にネストすることで、ネットワークデータから構成表現を学習する。
本稿では,GCNNを状態空間の観点からアプローチし,グラフ畳み込みモジュールが最小値線形状態空間モデルであることを明らかにする。
この状態更新は、非パラメトリックであり、グラフスペクトルによって爆発または消滅する可能性があるため、問題となる可能性がある。
本稿では,非線形な状態空間パラメトリック方式でノード特徴を階層内に集約し,よりよいトレードオフを実現するという,新しい結節集合規則を提案する。
論文 参考訳(メタデータ) (2020-10-27T19:48:56Z) - Permutation-equivariant and Proximity-aware Graph Neural Networks with
Stochastic Message Passing [88.30867628592112]
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。
置換等価性と近接認識性は、GNNにとって非常に望ましい2つの重要な特性である。
既存のGNNは、主にメッセージパッシング機構に基づいており、同時に2つの特性を保存できないことを示す。
ノードの近さを保つため,既存のGNNをノード表現で拡張する。
論文 参考訳(メタデータ) (2020-09-05T16:46:56Z) - Directional Message Passing for Molecular Graphs [0.0]
グラフニューラルネットワークは近年、分子の量子力学的性質を予測することに成功している。
我々は指向性メッセージパッシングを提案し、原子自体ではなく原子間で渡されるメッセージを埋め込む。
DimeNetは、MD17では76%、QM9では31%で、以前のGNNを上回っている。
論文 参考訳(メタデータ) (2020-03-06T10:30:17Z)
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。