論文の概要: An ensemble of VisNet, Transformer-M, and pretraining models for
molecular property prediction in OGB Large-Scale Challenge @ NeurIPS 2022
- arxiv url: http://arxiv.org/abs/2211.12791v1
- Date: Wed, 23 Nov 2022 09:12:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 16:28:28.411155
- Title: An ensemble of VisNet, Transformer-M, and pretraining models for
molecular property prediction in OGB Large-Scale Challenge @ NeurIPS 2022
- Title（参考訳）: OGB大規模チャレンジ@NeurIPS 2022におけるVisNet, Transformer-M, および分子特性予測のための事前学習モデル
- Authors: Yusong Wang, Shaoning Li, Tong Wang, Zun Wang, Xinheng He, Bin Shao
and Tie-Yan Liu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 62.94349991888684
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the technical report, we provide our solution for OGB-LSC 2022 Graph
Regression Task. The target of this task is to predict the quantum chemical
property, HOMO-LUMO gap for a given molecule on PCQM4Mv2 dataset. In the
competition, we designed two kinds of models: Transformer-M-ViSNet which is an
geometry-enhanced graph neural network for fully connected molecular graphs and
Pretrained-3D-ViSNet which is a pretrained ViSNet by distilling geomeotric
information from optimized structures. With an ensemble of 22 models, ViSNet
Team achieved the MAE of 0.0723 eV on the test-challenge set, dramatically
reducing the error by 39.75% compared with the best method in the last year
competition.
- Abstract（参考訳）: 技術的レポートでは、OGB-LSC 2022 Graph Regression Taskに対するソリューションを提供する。
このタスクの目的は、pcqm4mv2データセット上の任意の分子の量子化学的性質、ホモルーモギャップを予測することである。
コンペティションでは,完全連結なグラフグラフのための幾何強化グラフニューラルネットワークであるTransformer-M-ViSNetと,最適化された構造から測地情報を抽出して事前学習したViSNetであるPretrained-3D-ViSNetの2種類のモデルを構築した。
22モデルのアンサンブルにより、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エラーを39.75%削減した。
関連論文リスト
- Triplet Interaction Improves Graph Transformers: Accurate Molecular Graph Learning with Triplet Graph Transformers [26.11060210663556]
本稿では,Triplet Graph Transformer(TGT)を提案する。
TGTは、まず2次元グラフから原子間距離を予測し、これらの距離を下流タスクに使用することにより、分子特性予測に適用する。
論文 参考訳（メタデータ） (2024-02-07T02:53:06Z) - Heterogenous Ensemble of Models for Molecular Property Prediction [55.91865861896012]
分子の異なるモーダル性を考える手法を提案する。
これらのモデルをHuberRegressorでアンサンブルします。
これにより、OGB Large-Scale Challenge (2022)の2textsuperscriptndエディションの勝利のソリューションが得られる。
論文 参考訳（メタデータ） (2022-11-20T17:25:26Z) - ViSNet: an equivariant geometry-enhanced graph neural network with
vector-scalar interactive message passing for molecules [69.05950120497221]
本稿では、幾何学的特徴をエレガントに抽出し、分子構造を効率的にモデル化する同変幾何拡張グラフニューラルネットワークViSNetを提案する。
提案するViSNetは,MD17,MD17,MD22を含む複数のMDベンチマークにおける最先端の手法よりも優れ,QM9およびMolecule3Dデータセット上での優れた化学的特性予測を実現する。
論文 参考訳（メタデータ） (2022-10-29T07:12:46Z) - PSAQ-ViT V2: Towards Accurate and General Data-Free Quantization for
Vision Transformers [2.954890575035673]
データフリーな量子化は、モデル圧縮におけるデータのプライバシとセキュリティ上の懸念に対処する可能性がある。
最近、PSAQ-ViTは、事前訓練された視覚変換器(ViT)からデータを生成するために、相対値、パッチ類似度を設計している。
本稿では,より正確で汎用的なデータフリー量子化フレームワークであるPSAQ-ViT V2を提案する。
論文 参考訳（メタデータ） (2022-09-13T01:55:53Z) - Global Context Vision Transformers [78.5346173956383]
我々は,コンピュータビジョンのパラメータと計算利用を向上する新しいアーキテクチャであるGC ViT(Global context vision transformer)を提案する。
本稿では,ViTにおける帰納バイアスの欠如に対処し,アーキテクチャにおける可溶性逆残差ブロックを改良して活用することを提案する。
提案したGC ViTは,画像分類,オブジェクト検出,セマンティックセマンティックセグメンテーションタスクにまたがる最先端の処理結果を実現する。
論文 参考訳（メタデータ） (2022-06-20T18:42:44Z) - Benchmarking Graphormer on Large-Scale Molecular Modeling Datasets [87.00711479972503]
このノートには、最近のGraphormerのアップデートについて書かれている。
グローバルな受信フィールドとアダプティブアグリゲーション戦略により、Graphormerは従来のメッセージパッシングベースのGNNよりも強力である。
一方、最近のOpen Catalyst Challengeでは、競合他社よりも大幅に優れています。
論文 参考訳（メタデータ） (2022-03-09T15:40:10Z) - An Empirical Study of Graphormer on Large-Scale Molecular Modeling
Datasets [87.00711479972503]
グラフマー-V2」は、バニラモデルよりも大規模な分子モデルデータセットにおいてより良い結果が得られる可能性がある。
グローバルな受信フィールドとアダプティブアグリゲーション戦略により、Graphormerは従来のメッセージパッシングベースのGNNよりも強力である。
論文 参考訳（メタデータ） (2022-02-28T16:32:42Z) - On Graph Neural Network Ensembles for Large-Scale Molecular Property
Prediction [0.0]
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。
論文 参考訳（メタデータ） (2021-06-29T15:58:34Z)
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。