論文の概要: FunQG: Molecular Representation Learning Via Quotient Graphs
- arxiv url: http://arxiv.org/abs/2207.08597v1
- Date: Mon, 18 Jul 2022 13:36:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-19 16:22:28.493364
- Title: FunQG: Molecular Representation Learning Via Quotient Graphs
- Title（参考訳）: FunQG: グラフを用いた分子表現学習
- Authors: Hossein Hajiabolhassan, Zahra Taheri, Ali Hojatnia, Yavar Taheri
Yeganeh
- Abstract要約: 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。
- 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: Learning expressive molecular representations is crucial to facilitate the
accurate prediction of molecular properties. Despite the significant
advancement of graph neural networks (GNNs) in molecular representation
learning, they generally face limitations such as neighbors-explosion,
under-reaching, over-smoothing, and over-squashing. Also, GNNs usually have
high computational complexity because of the large-scale number of parameters.
Typically, such limitations emerge or increase when facing relatively
large-size graphs or using a deeper GNN model architecture. An idea to overcome
these problems is to simplify a molecular graph into a small, rich, and
informative one, which is more efficient and less challenging to train GNNs. To
this end, we propose a novel molecular graph coarsening framework named FunQG
utilizing Functional groups, as influential building blocks of a molecule to
determine its properties, based on a graph-theoretic concept called Quotient
Graph. By experiments, we show that the resulting informative graphs are much
smaller than the molecular graphs and thus are good candidates for training
GNNs. We apply the FunQG on popular molecular property prediction benchmarks
and then compare the performance of a GNN architecture on the obtained datasets
with several state-of-the-art baselines on the original datasets. By
experiments, this method significantly outperforms previous baselines on
various datasets, besides its dramatic reduction in the number of parameters
and low computational complexity. Therefore, the FunQG can be used as a simple,
cost-effective, and robust method for solving the molecular representation
learning problem.
- Abstract（参考訳）: 分子特性の正確な予測を容易にするためには, 分子表現の学習が不可欠である。
分子表現学習におけるグラフニューラルネットワーク(GNN)の顕著な進歩にもかかわらず、それらは一般的に、隣人の爆発、下降、過密、過密といった制限に直面している。
また、gnnは通常、大規模なパラメータ数のため計算の複雑さが高い。
通常、そのような制限は、比較的大きなグラフに直面したり、より深いGNNモデルアーキテクチャを使用したりする際に現れる。
これらの問題を克服する一つのアイデアは、分子グラフを小さく、豊かで、情報に富んだグラフに単純化することである。
そこで本研究では,関数群を利用した新しい分子グラフ粗粒化フレームワークfunqgを提案する。
実験により, 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の学習に適していることが示された。
我々はFunQGを一般的な分子特性予測ベンチマークに適用し、得られたデータセット上でのGNNアーキテクチャの性能と、元のデータセット上での最先端のベースラインを比較した。
実験により, この手法は, パラメータ数を大幅に削減し, 計算量が少ないことに加えて, 様々なデータセットのベースラインを著しく上回っている。
したがって、FunQGは分子表現学習問題を解決するための単純で費用効率のよい堅牢な方法として利用できる。
関連論文リスト
- Learning From Graph-Structured Data: Addressing Design Issues and Exploring Practical Applications in Graph Representation Learning [2.492884361833709]
グラフ表現学習とグラフニューラルネットワーク(GNN)の最近の進歩を概観する。
グラフ構造化データを扱うように設計されたGNNは、複雑な関係情報から洞察と予測を引き出すのに長けている。
我々の研究は、GNNの能力を掘り下げ、その基礎設計と現実の課題に対処するための応用について調べている。
論文 参考訳（メタデータ） (2024-11-09T19:10:33Z) - Molecular Graph Representation Learning via Structural Similarity Information [11.38130169319915]
我々は新しい分子グラフ表現学習法である textbf Structure similarity Motif GNN (MSSM-GNN) を紹介する。
特に,分子間の類似性を定量的に表現するために,グラフカーネルアルゴリズムを利用した特殊設計グラフを提案する。
我々はGNNを用いて分子グラフから特徴表現を学習し、追加の分子表現情報を組み込むことで特性予測の精度を高めることを目的としている。
論文 参考訳（メタデータ） (2024-09-13T06:59:10Z) - MolCPT: Molecule Continuous Prompt Tuning to Generalize Molecular
Representation Learning [77.31492888819935]
分子表現学習のための「プリトレイン,プロンプト,ファインチューン」という新しいパラダイム,分子連続プロンプトチューニング(MolCPT)を提案する。
MolCPTは、事前訓練されたモデルを使用して、スタンドアロンの入力を表現的なプロンプトに投影するモチーフプロンプト関数を定義する。
いくつかのベンチマークデータセットの実験により、MollCPTは分子特性予測のために学習済みのGNNを効率的に一般化することが示された。
論文 参考訳（メタデータ） (2022-12-20T19:32:30Z) - 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) - 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) - Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。
既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。
本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
論文 参考訳（メタデータ） (2022-07-06T10:01:46Z) - Discovering the Representation Bottleneck of Graph Neural Networks from
Multi-order Interactions [51.597480162777074]
グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。
最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。
科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
論文 参考訳（メタデータ） (2022-05-15T11:38:14Z) - 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) - GraphPiece: Efficiently Generating High-Quality Molecular Graph with
Substructures [7.021635649909492]
分子グラフからエムグラフと呼ばれる共通部分構造を自動的に発見する手法を提案する。
グラフの断片に基づいて,変分オートエンコーダを用いて2つの相の分子を生成する。
論文 参考訳（メタデータ） (2021-06-29T05:26:18Z) - Self-Supervised Graph Transformer on Large-Scale Molecular Data [73.3448373618865]
分子表現学習のための新しいフレームワークGROVERを提案する。
GROVERは、分子の豊富な構造的および意味的な情報を、巨大な未標識分子データから学習することができる。
分子表現学習において、最大のGNNであり、最大のトレーニングデータセットである、1000万個の未標識分子に1億のパラメータを持つGROVERを事前訓練します。
論文 参考訳（メタデータ） (2020-06-18T08:37:04Z)
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。