論文の概要: Motif-aware Attribute Masking for Molecular Graph Pre-training

• arxiv url: http://arxiv.org/abs/2309.04589v1
• Date: Fri, 8 Sep 2023 20:36:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-12 17:38:21.483611
• Title: Motif-aware Attribute Masking for Molecular Graph Pre-training
• Title（参考訳）: 分子グラフ事前学習のためのモチーフ対応属性マスキング
• Authors: Eric Inae, Gang Liu, Meng Jiang
• Abstract要約: 属性再構成は、グラフニューラルネットワークの事前トレーニングにおけるノードまたはエッジの特徴を予測するために使用される。 属性マスキングを行うノードをランダムに選択する以前の戦略は、近隣地域の情報を活用する。 周辺モチーフの原子情報を活用することでモチーフ間構造を捕捉するためのモチーフ対応属性マスキング戦略を提案し,検討する。
• 参考スコア（独自算出の注目度）: 18.51981182751944
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Attribute reconstruction is used to predict node or edge features in the pre-training of graph neural networks. Given a large number of molecules, they learn to capture structural knowledge, which is transferable for various downstream property prediction tasks and vital in chemistry, biomedicine, and material science. Previous strategies that randomly select nodes to do attribute masking leverage the information of local neighbors However, the over-reliance of these neighbors inhibits the model's ability to learn from higher-level substructures. For example, the model would learn little from predicting three carbon atoms in a benzene ring based on the other three but could learn more from the inter-connections between the functional groups, or called chemical motifs. In this work, we propose and investigate motif-aware attribute masking strategies to capture inter-motif structures by leveraging the information of atoms in neighboring motifs. Once each graph is decomposed into disjoint motifs, the features for every node within a sample motif are masked. The graph decoder then predicts the masked features of each node within the motif for reconstruction. We evaluate our approach on eight molecular property prediction datasets and demonstrate its advantages.
• Abstract（参考訳）: 属性再構成は、グラフニューラルネットワークの事前トレーニングにおけるノードまたはエッジの特徴を予測するために使用される。 多数の分子が与えられ、下流の様々な特性予測タスクに伝達し、化学、生医学、物質科学に欠かせない構造的知識を捉えることを学ぶ。 属性マスキングを行うノードをランダムに選択する以前の戦略は、ローカルの隣人の情報を利用するが、これらの隣人の過度な信頼は、モデルが高レベルなサブ構造から学ぶ能力を阻害する。 例えば、このモデルはベンゼン環内の3つの炭素原子を他の3つに基づいて予測することからはほとんど学ばないが、官能基間の相互結合、あるいは化学モチーフからさらに学べる。 本研究では,隣接するモチーフの原子情報を活用することで,モチーフ間構造を捕捉するためのモチーフ対応属性マスキング戦略を提案する。 各グラフが分離モチーフに分解されると、サンプルモチーフ内の各ノードの特徴がマスクされる。 次にグラフデコーダは、再建のためのモチーフ内の各ノードのマスク特徴を予測する。 我々は8つの分子特性予測データセットに対するアプローチを評価し,その利点を実証する。

関連論文リスト

• MAGE: Model-Level Graph Neural Networks Explanations via Motif-based Graph Generation [16.129359492539095]
  グラフニューラルネットワーク(GNN)は、分子タスクにおいて顕著に成功したが、その解釈可能性はまだ難しい。 XGNNやGNNInterpreterのような伝統的なモデルレベルの説明法は、しばしば環のような有効な部分構造を特定するのに失敗し、疑わしい解釈可能性をもたらす。 我々は、モチーフを説明文を生成する基本単位として利用する革新的 textbfMotif-btextbfAsed textbfGNN textbfExplainer (MAGE) を導入する。
  論文  参考訳（メタデータ） (2024-05-21T06:12:24Z)
• 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)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [55.42602325017405]
  本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。 異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。 11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• 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)
• 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)
• Motif-based Graph Self-Supervised Learning forMolecular Property Prediction [12.789013658551454]
  グラフニューラルネットワーク(GNN)は、様々な分子生成および予測タスクにおいて顕著な成功を収めている。 既存のGNN用の自己教師付き事前トレーニングフレームワークのほとんどは、ノードレベルまたはグラフレベルのタスクのみに焦点を当てている。 GNNのための新しい自己教師型モチーフ生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-03T11:45:51Z)
• 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)
• CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
  CatGCNはグラフ学習に適したノード機能である。 エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
  論文  参考訳（メタデータ） (2020-09-11T09:25:17Z)
• Neural Message Passing on High Order Paths [4.273470365293033]
  グラフニューラルネットを一般化してメッセージの送信と高次パスへの集約を行う。 これにより、情報はグラフの様々なレベルやサブ構造を伝播することができる。
  論文  参考訳（メタデータ） (2020-02-24T17:58:02Z)

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。