論文の概要: Molecular Graph Representation Learning via Heterogeneous Motif Graph
Construction
- arxiv url: http://arxiv.org/abs/2202.00529v1
- Date: Tue, 1 Feb 2022 16:21:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-02 15:42:50.510649
- Title: Molecular Graph Representation Learning via Heterogeneous Motif Graph
Construction
- Title（参考訳）: 不均一モチーフグラフ構築による分子グラフ表現学習
- Authors: Zhaoning Yu, Hongyang Gao
- Abstract要約: ヘテロジニアスなモチーフグラフを構築することによって,新しい分子グラフ表現学習法を提案する。
特に、モチーフノードと分子ノードを含む不均一モチーフグラフを構築する。
本モデルでは, エッジサンプリングを用いて, 計算資源を著しく減らし, 類似した性能が得られることを示す。
- 参考スコア（独自算出の注目度）: 19.64574177805823
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider feature representation learning problem of molecular graphs.
Graph Neural Networks have been widely used in feature representation learning
of molecular graphs. However, most existing methods deal with molecular graphs
individually while neglecting their connections, such as motif-level
relationships. We propose a novel molecular graph representation learning
method by constructing a heterogeneous motif graph to address this issue. In
particular, we build a heterogeneous motif graph that contains motif nodes and
molecular nodes. Each motif node corresponds to a motif extracted from
molecules. Then, we propose a Heterogeneous Motif Graph Neural Network (HM-GNN)
to learn feature representations for each node in the heterogeneous motif
graph. Our heterogeneous motif graph also enables effective multi-task
learning, especially for small molecular datasets. To address the potential
efficiency issue, we propose to use an edge sampler, which can significantly
reduce computational resources usage. The experimental results show that our
model consistently outperforms previous state-of-the-art models. Under
multi-task settings, the promising performances of our methods on combined
datasets shed light on a new learning paradigm for small molecular datasets.
Finally, we show that our model achieves similar performances with
significantly less computational resources by using our edge sampler.
- Abstract（参考訳）: 分子グラフの特徴表現学習問題を考察する。
グラフニューラルネットワークは分子グラフの特徴表現学習に広く用いられている。
しかし、既存の手法の多くは分子グラフを個別に扱うが、モチーフレベルの関係のような接続を無視する。
本稿では,異種モチーフグラフを構築した新しい分子グラフ表現学習法を提案する。
特に、モチーフノードと分子ノードを含む不均一モチーフグラフを構築する。
各モチーフノードは分子から抽出されたモチーフに対応する。
次に,不均質モチーフグラフにおける各ノードの特徴表現を学習するための不均質モチーフグラフニューラルネットワーク(hm-gnn)を提案する。
我々の異種モチーフグラフは、特に小さな分子データセットに対して効果的なマルチタスク学習を可能にする。
そこで本研究では,計算資源使用量を大幅に削減できるエッジサンプリング器を提案する。
実験結果から,我々のモデルは従来モデルより一貫して優れていたことがわかった。
マルチタスク環境では,複合データセットにおける提案手法の有望な性能が,小さな分子データセットのための新しい学習パラダイムに光を当てた。
最後に, エッジサンプリングを用いて, 計算資源を著しく削減し, 同様の性能を実現することを示す。
関連論文リスト
- MolGrapher: Graph-based Visual Recognition of Chemical Structures [50.13749978547401]
化学構造を視覚的に認識するためにMolGrapherを導入する。
すべての候補原子と結合をノードとして扱い、それらをグラフ化する。
グラフニューラルネットワークを用いてグラフ内の原子と結合ノードを分類する。
論文 参考訳（メタデータ） (2023-08-23T16:16:11Z) - Probing Graph Representations [77.7361299039905]
グラフ表現でキャプチャされた意味のある情報の量を定量化するために、探索フレームワークを使用します。
本研究は, グラフモデルにおける帰納的バイアスを理解するための探索の可能性を示すものである。
グラフベースモデルを評価する上で有用な診断ツールとして,探索を提唱する。
論文 参考訳（メタデータ） (2023-03-07T14:58:18Z) - 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) - DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。
分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。
また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
論文 参考訳（メタデータ） (2022-09-29T12:55:03Z) - FunQG: Molecular Representation Learning Via Quotient Graphs [0.0]
本稿ではFunQGという新しい分子グラフ粗化フレームワークを提案する。
FunQGは、その性質を決定するために分子の影響力のある構成要素として官能基を用いる。
得られた情報グラフは,分子グラフよりもはるかに小さいため,GNNの訓練に適していることを示す。
論文 参考訳（メタデータ） (2022-07-18T13:36:20Z) - Score-based Generative Modeling of Graphs via the System of Stochastic
Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。
本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文 参考訳（メタデータ） (2022-02-05T08:21:04Z) - Molecular Graph Generation via Geometric Scattering [7.796917261490019]
グラフニューラルネットワーク(GNN)は、薬物の設計と発見の問題を解決するために広く使われている。
分子グラフ生成における表現第一のアプローチを提案する。
我々のアーキテクチャは、医薬品のデータセットの有意義な表現を学習し、目標指向の薬物合成のためのプラットフォームを提供する。
論文 参考訳（メタデータ） (2021-10-12T18:00:23Z) - Molecular graph generation with Graph Neural Networks [2.7393821783237184]
MG2N2と呼ばれる一連のグラフニューラルネットワークモジュールに基づくシーケンシャルな分子グラフジェネレーターを紹介します。
我々のモデルは、過度に適合することなく、トレーニング段階で見られる分子パターンを一般化することができる。
論文 参考訳（メタデータ） (2020-12-14T10:32:57Z) - Hierarchical Inter-Message Passing for Learning on Molecular Graphs [9.478108870211365]
分子グラフを学習するための階層型ニューラルメッセージパッシングアーキテクチャを提案する。
我々の手法は、サイクルの検出など、古典的なGNNで知られているいくつかの制限を克服することができるが、それでも訓練は非常に効率的である。
論文 参考訳（メタデータ） (2020-06-22T12:25:24Z) - Graph Pooling with Node Proximity for Hierarchical Representation
Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。
その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文 参考訳（メタデータ） (2020-06-19T13:09:44Z) - The Power of Graph Convolutional Networks to Distinguish Random Graph
Models: Short Version [27.544219236164764]
グラフ畳み込みネットワーク(GCN)はグラフ表現学習において広く使われている手法である。
サンプルグラフの埋め込みに基づいて異なるランダムグラフモデルを区別するGCNのパワーについて検討する。
論文 参考訳（メタデータ） (2020-02-13T17:58:42Z)
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。