論文の概要: Molecular Hypergraph Neural Networks

• arxiv url: http://arxiv.org/abs/2312.13136v2
• Date: Thu, 21 Dec 2023 09:51:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-22 17:24:51.935711
• Title: Molecular Hypergraph Neural Networks
• Title（参考訳）: 分子ハイパーグラフニューラルネットワーク
• Authors: Junwu Chen, Philippe Schwaller
• Abstract要約: グラフニューラルネットワーク(GNN)は、様々な化学関連タスクで有望なパフォーマンスを示している。 分子ハイパーグラフを導入し、有機半導体の光電子特性を予測する分子ハイパーグラフニューラルネットワーク(MHNN)を提案する。 MHNNは、OPV、OCELOTv1、PCQM4Mv2データセットのほとんどのタスクにおけるベースラインモデルよりも優れている。
• 参考スコア（独自算出の注目度）: 1.4559839293730863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) have demonstrated promising performance across various chemistry-related tasks. However, conventional graphs only model the pairwise connectivity in molecules, failing to adequately represent higher-order connections like multi-center bonds and conjugated structures. To tackle this challenge, we introduce molecular hypergraphs and propose Molecular Hypergraph Neural Networks (MHNN) to predict the optoelectronic properties of organic semiconductors, where hyperedges represent conjugated structures. A general algorithm is designed for irregular high-order connections, which can efficiently operate on molecular hypergraphs with hyperedges of various orders. The results show that MHNN outperforms all baseline models on most tasks of OPV, OCELOTv1 and PCQM4Mv2 datasets. Notably, MHNN achieves this without any 3D geometric information, surpassing the baseline model that utilizes atom positions. Moreover, MHNN achieves better performance than pretrained GNNs under limited training data, underscoring its excellent data efficiency. This work provides a new strategy for more general molecular representations and property prediction tasks related to high-order connections.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、様々な化学関連タスクで有望なパフォーマンスを示している。 しかし、従来のグラフは分子の対接続のみをモデル化し、多中心結合や共役構造のような高次結合を適切に表現できない。 この課題に対処するため,分子ハイパーグラフを導入し,有機半導体の光電子特性を予測する分子ハイパーグラフニューラルネットワーク(MHNN)を提案する。 一般的なアルゴリズムは不規則な高次接続のために設計されており、様々な順序のハイパーエッジを持つ分子ハイパーグラフを効率的に操作することができる。 その結果、MHNNはOPV、OCELOTv1、PCQM4Mv2データセットのほとんどのタスクにおけるベースラインモデルよりも優れていた。 特に、MHNNは3次元幾何学的情報なしでこれを達成し、原子の位置を利用するベースラインモデルを超えた。 さらに、MHNNは、限られたトレーニングデータの下で事前訓練されたGNNよりも優れた性能を達成し、その優れたデータ効率を裏付ける。 この研究は、より一般的な分子表現と高次接続に関連する特性予測タスクのための新しい戦略を提供する。

関連論文リスト

• Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric GNNs [66.98487644676906]
  我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。 幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。 また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
  論文  参考訳（メタデータ） (2024-09-26T08:16:59Z)
• Tensorized Hypergraph Neural Networks [69.65385474777031]
  我々は,新しいアジャケーシテンソルベースのtextbfTensorized textbfHypergraph textbfNeural textbfNetwork (THNN) を提案する。 THNNは高次外装機能パッシングメッセージを通じて、忠実なハイパーグラフモデリングフレームワークである。 3次元視覚オブジェクト分類のための2つの広く使われているハイパーグラフデータセットの実験結果から、モデルの有望な性能を示す。
  論文  参考訳（メタデータ） (2023-06-05T03:26:06Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• Equivariant Hypergraph Diffusion Neural Operators [81.32770440890303]
  ハイパーグラフを符号化するためにニューラルネットワークを使用するハイパーグラフニューラルネットワーク(HNN)は、データの高次関係をモデル化する有望な方法を提供する。 本研究ではED-HNNと呼ばれる新しいHNNアーキテクチャを提案する。 実世界の9つのハイパーグラフデータセットのノード分類におけるED-HNNの評価を行った。
  論文  参考訳（メタデータ） (2022-07-14T06:17:00Z)
• 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)
• High-Order Pooling for Graph Neural Networks with Tensor Decomposition [23.244580796300166]
  グラフニューラルネットワーク(GNN)は、さまざまなグラフ構造化データモデリングの有効性と柔軟性から、注目を集めている。 本稿では,高次非線形ノード相互作用をモデル化するためにテンソル分解に依存する高表現性GNNアーキテクチャであるGraphized Neural Network (tGNN)を提案する。
  論文  参考訳（メタデータ） (2022-05-24T01:12:54Z)
• Residual Enhanced Multi-Hypergraph Neural Network [26.42547421121713]
  HyperGraph Neural Network (HGNN) はハイパーグラフ表現学習のためのデファクト手法である。 本稿では,各ハイパーグラフからのマルチモーダル情報を効果的に融合できるResidual enhanced Multi-Hypergraph Neural Networkを提案する。
  論文  参考訳（メタデータ） (2021-05-02T14:53:32Z)
• Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
  マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。 MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。 我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
  論文  参考訳（メタデータ） (2020-05-17T04:46:07Z)

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。