Fugu-MT 論文翻訳(概要): MHG-GNN: Combination of Molecular Hypergraph Grammar with Graph Neural Network

論文の概要: MHG-GNN: Combination of Molecular Hypergraph Grammar with Graph Neural Network

arxiv url: http://arxiv.org/abs/2309.16374v1
Date: Thu, 28 Sep 2023 12:19:43 GMT
ステータス: 処理完了
システム内更新日: 2023-09-29 14:48:30.069040
Title: MHG-GNN: Combination of Molecular Hypergraph Grammar with Graph Neural Network
Title（参考訳）: MHG-GNN:分子ハイパーグラフグラフとグラフニューラルネットワークの組み合わせ
Authors: Akihiro Kishimoto, Hiroshi Kajino, Masataka Hirose, Junta Fuchiwaki, Indra Priyadarsini, Lisa Hamada, Hajime Shinohara, Daiju Nakano and Seiji Takeda
Abstract要約: 我々は、グラフニューラルネットワーク(GNN)と分子ハイパーグラフ文法(MHG)を組み合わせたMHG-GNNと呼ばれる新しいオートエンコーダを導入する。 MHG-GNNが有望であることを示す。
参考スコア（独自算出の注目度）: 9.018022435734549
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Property prediction plays an important role in material discovery. As an initial step to eventually develop a foundation model for material science, we introduce a new autoencoder called the MHG-GNN, which combines graph neural network (GNN) with Molecular Hypergraph Grammar (MHG). Results on a variety of property prediction tasks with diverse materials show that MHG-GNN is promising.
Abstract（参考訳）: 特性予測は物質発見において重要な役割を果たす。最終的に物質科学の基礎モデルを開発するための最初のステップとして、グラフニューラルネットワーク(GNN)と分子ハイパーグラフ文法(MHG)を組み合わせたMHG-GNNと呼ばれる新しいオートエンコーダを導入する。多様な材料を用いた様々な特性予測タスクの結果,mhg-gnnは有望であることがわかった。

関連論文リスト

Spiking Graph Neural Network on Riemannian Manifolds [51.15400848660023]
グラフニューラルネットワーク(GNN)は、グラフの学習において支配的なソリューションとなっている。既存のスパイク GNN はユークリッド空間のグラフを考慮し、構造幾何学を無視している。マニフォールド値スパイキングGNN(MSG)を提案する。 MSGは従来のGNNよりも優れた性能とエネルギー効率を実現している。
論文参考訳（メタデータ） (2024-10-23T15:09:02Z)
Subgraphormer: Unifying Subgraph GNNs and Graph Transformers via Graph Products [20.332456342247383]
本稿では,Subgraphormerを注目と位置エンコーディングと統合するアーキテクチャを提案する。本結果は,幅広いデータセット上で,Subgraph GNNとGraph Transformerの双方に対して,大幅な性能向上を示した。
論文参考訳（メタデータ） (2024-02-13T13:37:13Z)
MAG-GNN: Reinforcement Learning Boosted Graph Neural Network [68.60884768323739]
特定の研究の行は、GNNの表現性を向上させるためにサブグラフ情報を使用するサブグラフGNNを提案し、大きな成功を収めた。このような効果は、すべての可能な部分グラフを列挙することによって、GNNの効率を犠牲にする。本稿では,強化学習(RL)により強化されたGNNである磁気グラフニューラルネットワーク(MAG-GNN)を提案する。
論文参考訳（メタデータ） (2023-10-29T20:32:21Z)
Explainability in subgraphs-enhanced Graph Neural Networks [12.526174412246107]
グラフ強化グラフニューラルネットワーク(SGNN)は,GNNの表現力を高めるために導入された。本稿では, GNN の最近の解説者の一つである PGExplainer を SGNN に適用する。本稿では,グラフ分類タスクにおけるSGNNの決定過程を説明することに成功していることを示す。
論文参考訳（メタデータ） (2022-09-16T13:39:10Z)
Image-Like Graph Representations for Improved Molecular Property Prediction [7.119677737397071]
本稿では,CubeMol と呼ばれる GNN の必要性を完全に回避する,新しい固有分子表現法を提案する。我々の定次元表現は、トランスモデルと組み合わせると、最先端のGNNモデルの性能を超え、拡張性を提供する。
論文参考訳（メタデータ） (2021-11-20T22:39:11Z)
A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。 UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文参考訳（メタデータ） (2020-10-05T04:57:18Z)
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)
Eigen-GNN: A Graph Structure Preserving Plug-in for GNNs [95.63153473559865]
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。既存のGNNモデルの多くは浅く、本質的に機能中心である。我々は,既存の浅いGNNがグラフ構造をよく保存できないことを経験的かつ解析的に示す。本稿では,グラフ構造保存におけるGNNの能力を高めるプラグインモジュールであるEigen-GNNを提案する。
論文参考訳（メタデータ） (2020-06-08T02:47:38Z)
Understanding Graph Isomorphism Network for rs-fMRI Functional Connectivity Analysis [49.05541693243502]
グラフ同型ネットワーク(GIN)を用いてfMRIデータを解析するフレームワークを開発する。本稿では,GINがグラフ空間における畳み込みニューラルネットワーク(CNN)の二重表現であることを示す。我々は,提案したGINをワンホット符号化で調整するGNNに対して,CNNベースのサリエンシマップ技術を利用する。
論文参考訳（メタデータ） (2020-01-10T23:40:09Z)

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。