論文の概要: GeoScatt-GNN: A Geometric Scattering Transform-Based Graph Neural Network Model for Ames Mutagenicity Prediction

• arxiv url: http://arxiv.org/abs/2411.15331v1
• Date: Fri, 22 Nov 2024 19:52:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:22:29.671979
• Title: GeoScatt-GNN: A Geometric Scattering Transform-Based Graph Neural Network Model for Ames Mutagenicity Prediction
• Title（参考訳）: GeoScatt-GNN: Ames Mutagenicity Predictionのための幾何学散乱変換型グラフニューラルネットワークモデル
• Authors: Abdeljalil Zoubir, Badr Missaoui,
• Abstract要約: 本稿では, 3つの接地的アプローチを導入することで, 変異原性予測の急激な課題に取り組む。 まず,従来の分子ディスクリプタと比較して,分子画像から抽出した2次元散乱係数の優れた性能を示す。 第2に、幾何学グラフ散乱(GGS)、グラフ同型ネットワーク(GIN)、機械学習モデルを組み合わせて、変異原性予測において強力な結果を得るハイブリッドアプローチを提案する。 第3に、新しいグラフニューラルネットワークアーキテクチャMOLG3-SAGEを導入し、GGSノード機能を完全に連結されたグラフ構造に統合し、優れた予測精度を実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper tackles the pressing challenge of mutagenicity prediction by introducing three ground-breaking approaches. First, it showcases the superior performance of 2D scattering coefficients extracted from molecular images, compared to traditional molecular descriptors. Second, it presents a hybrid approach that combines geometric graph scattering (GGS), Graph Isomorphism Networks (GIN), and machine learning models, achieving strong results in mutagenicity prediction. Third, it introduces a novel graph neural network architecture, MOLG3-SAGE, which integrates GGS node features into a fully connected graph structure, delivering outstanding predictive accuracy. Experimental results on the ZINC dataset demonstrate significant improvements, emphasizing the effectiveness of blending 2D and geometric scattering techniques with graph neural networks. This study illustrates the potential of GNNs and GGS for mutagenicity prediction, with broad implications for drug discovery and chemical safety assessment.
• Abstract（参考訳）: 本稿では, 3つの接地的アプローチを導入することで, 変異原性予測の急激な課題に取り組む。 まず,従来の分子ディスクリプタと比較して,分子画像から抽出した2次元散乱係数の優れた性能を示す。 第2に、幾何学グラフ散乱(GGS)、グラフ同型ネットワーク(GIN)、機械学習モデルを組み合わせて、変異原性予測において強力な結果を得るハイブリッドアプローチを提案する。 第3に、新しいグラフニューラルネットワークアーキテクチャMOLG3-SAGEを導入し、GGSノード機能を完全に連結されたグラフ構造に統合し、優れた予測精度を実現する。 ZINCデータセットの実験結果は、グラフニューラルネットワークと2Dおよび幾何散乱技術を組み合わせることの有効性を強調し、大幅な改善を示した。 本研究は, 変異原性予測におけるGNNとGGSの可能性を示す。

関連論文リスト

• Design Your Own Universe: A Physics-Informed Agnostic Method for Enhancing Graph Neural Networks [34.16727363891593]
  グラフニューラルネットワーク(GNN)のためのモデルに依存しない拡張フレームワークを提案する。 このフレームワークは、追加ノードを導入し、負の重み付けと負の重み付けの両方で接続を切り替えることでグラフ構造を豊かにする。 提案手法によって強化されたGNNが,過度にスムースな問題を効果的に回避し,過度なスキャッシングに対する堅牢性を示すことを理論的に検証する。 好中球グラフ,ヘテロ親和性グラフ,長期グラフデータセットのベンチマークにおける実証的検証により,本手法により強化されたGNNが元のグラフよりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2024-01-26T00:47:43Z)
• HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。 本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
  論文  参考訳（メタデータ） (2024-01-18T12:47:13Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• 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)
• Skeleton-Parted Graph Scattering Networks for 3D Human Motion Prediction [120.08257447708503]
  体-関節関係をモデル化するグラフ畳み込みネットワークに基づく手法は,最近3次元骨格に基づく人間の動作予測において大きな可能性を示唆している。 骨格分割グラフ散乱ネットワーク(SPGSN)を提案する。 SPGSNは、Human3.6M、CMU Mocap、および3DPWデータセット上で、関節位置誤差(MPJPE)当たりの3D平均の13.8%、9.3%、および2.7%の差で最先端の手法を上回っている。
  論文  参考訳（メタデータ） (2022-07-31T05:51:39Z)
• Principled Hyperedge Prediction with Structural Spectral Features and Neural Networks [23.32326186631456]
  Hypergraphは、現実世界の複雑なデータにおける多面的関係を記述するためのフレームワークを提供する。 SNALSは、その局所環境によってハイパーエッジの結合相互作用をキャプチャし、それらの接続のスペクトル情報を収集して取得する。 SNALSは染色体間で常に高い予測精度を示し、4方向遺伝子相互作用の新たな発見を生んだ。
  論文  参考訳（メタデータ） (2021-06-08T12:43:17Z)
• Equivariant geometric learning for digital rock physics: estimating formation factor and effective permeability tensors from Morse graph [7.355408124040856]
  本論文では、マイクロCT画像から生成因子と有効透過率を直接予測するSE(3)等価グラフニューラルネットワーク(GNN)手法を提案する。 FFTソルバは形成因子と有効透磁率の両方を計算するために確立され、気孔空間の位相と幾何学は永続化ベースのモースグラフで表される。
  論文  参考訳（メタデータ） (2021-04-12T16:28:25Z)
• Mesh Graphormer [17.75480888764098]
  グラフ畳み込み強化変換器であるMesh Graphormerを1枚の画像から3次元の人間のポーズとメッシュ再構成を行う。
  論文  参考訳（メタデータ） (2021-04-01T06:16:36Z)
• 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)
• Pre-training of Graph Neural Network for Modeling Effects of Mutations on Protein-Protein Binding Affinity [13.293231874102641]
  我々は、グラフニューラルネットワーク(GNN)が提供する特徴に基づいて、突然変異による結合親和性の変化を予測するための新しいディープラーニングベースのフレームワーク、GraphPPIを開発した。 実験の結果、注釈付き信号がなければ、GraphPPIはタンパク質構造の有意義なパターンを捉えることができることがわかった。 詳細な分析により、GPPIはSARS-CoV-2とその抗体との結合親和性に対する突然変異の影響を正確に推定できることが示された。
  論文  参考訳（メタデータ） (2020-08-28T04:07:39Z)

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。