論文の概要: Neural Graph Matching Improves Retrieval Augmented Generation in Molecular Machine Learning

• arxiv url: http://arxiv.org/abs/2502.17874v1
• Date: Tue, 25 Feb 2025 05:59:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:20:58.485974
• Title: Neural Graph Matching Improves Retrieval Augmented Generation in Molecular Machine Learning
• Title（参考訳）: ニューラルグラフマッチングは、分子機械学習における検索拡張生成を改善する
• Authors: Runzhong Wang, Rui-Xi Wang, Mrunali Manjrekar, Connor W. Coley,
• Abstract要約: 本稿では、フラグメンテーションに基づくニューラルネットワークを強化するために、ニューラルネットワークマッチングを組み込んだ新しいモデルであるMARASONを紹介する。 MarASONは28%のTop-1精度を達成し、非検索の最先端の19%よりも大幅に改善した。
• 参考スコア（独自算出の注目度）: 20.911425911621865
• License:
• Abstract: Molecular machine learning has gained popularity with the advancements of geometric deep learning. In parallel, retrieval-augmented generation has become a principled approach commonly used with language models. However, the optimal integration of retrieval augmentation into molecular machine learning remains unclear. Graph neural networks stand to benefit from clever matching to understand the structural alignment of retrieved molecules to a query molecule. Neural graph matching offers a compelling solution by explicitly modeling node and edge affinities between two structural graphs while employing a noise-robust, end-to-end neural network to learn affinity metrics. We apply this approach to mass spectrum simulation and introduce MARASON, a novel model that incorporates neural graph matching to enhance a fragmentation-based neural network. Experimental results highlight the effectiveness of our design, with MARASON achieving 28% top-1 accuracy, a substantial improvement over the non-retrieval state-of-the-art accuracy of 19%. Moreover, MARASON outperforms both naive retrieval-augmented generation methods and traditional graph matching approaches.
• Abstract（参考訳）: 分子機械学習は幾何学的深層学習の進歩によって人気を博している。 並行して、検索拡張生成は、言語モデルで一般的に使用される原則的なアプローチとなっている。 しかし、検索強化の分子機械学習への最適統合はいまだに不明である。 グラフニューラルネットワークは、検索された分子とクエリー分子の構造的アライメントを理解するための巧妙なマッチングの恩恵を受ける。 ニューラルグラフマッチングは、2つの構造グラフ間のノードとエッジ親和性を明示的にモデル化し、ノイズロバストでエンドツーエンドのニューラルネットワークを使用して親和性メトリクスを学習することで、魅力的なソリューションを提供する。 本稿では, この手法を質量スペクトルシミュレーションに適用し, フラグメンテーションに基づくニューラルネットワークを強化するために, ニューラルネットワークマッチングを組み込んだ新しいモデルであるMARASONを紹介する。 MARASONは28%のTop-1精度を達成し,非検索精度19%よりも大幅に向上した。 さらに、MARASONは、単純検索拡張生成法と従来のグラフマッチング手法の両方に優れる。

関連論文リスト

• Transductive Spiking Graph Neural Networks for Loihi [0.8684584813982095]
  Loihi 2 向けに設計されたスパイキンググラフニューラルネットワークの完全なニューロモルフィック実装を提案する。 本稿では、ニューロモルフィックベイズ最適化と、固定精度スパイキングニューロンを用いた引用グラフ分類の併用による性能効果を示す。
  論文  参考訳（メタデータ） (2024-04-25T21:15:15Z)
• Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
  本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。 我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。 本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-03-18T18:01:01Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• Extreme Acceleration of Graph Neural Network-based Prediction Models for Quantum Chemistry [7.592530794455257]
  本稿では,分子特性予測のためのグラフニューラルネットワークのトレーニングをスケールアップするための,ハードウェアとソフトウェアの共同設計手法を提案する。 本稿では,分子グラフのバッチを固定サイズパックに結合して冗長計算やメモリを不要にするアルゴリズムを提案する。 このような共同設計手法により、分子特性予測モデルのトレーニング時間を数日から2時間未満に短縮できることを示す。
  論文  参考訳（メタデータ） (2022-11-25T01:30:18Z)
• 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)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Neuralizing Efficient Higher-order Belief Propagation [19.436520792345064]
  より優れたノードとグラフ表現を学習するためのアプローチを組み合わせることを提案する。 我々は高次PGMに対する効率的な近似積ループ的信念伝搬推定アルゴリズムを導出する。 我々のモデルは実際に高次情報をキャプチャし、分子データセットにおける最先端の$k$のグラフニューラルネットワークよりも大幅に優れています。
  論文  参考訳（メタデータ） (2020-10-19T07:51:31Z)
• Meta-path Free Semi-supervised Learning for Heterogeneous Networks [16.641434334366227]
  グラフニューラルネットワーク(GNN)はグラフの表現学習に広く使われており、ノード分類などのタスクにおいて優れたパフォーマンスを実現している。 本稿では,メタパスを除く異種グラフに対して,単純かつ効率的なグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-10-18T06:01:58Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• Hcore-Init: Neural Network Initialization based on Graph Degeneracy [22.923756039561194]
  ディープラーニングアーキテクチャから抽出した全重み付きマルチパートグラフに対して,kコア構造の適応版を提案する。 多部グラフは双部グラフの組合せであり、ハイパーグラフの入射グラフであるので、k-ハイパーコア分解を設計する。
  論文  参考訳（メタデータ） (2020-04-16T12:57:14Z)
• Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
  我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。 グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF) 完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
  論文  参考訳（メタデータ） (2020-04-06T13:25:46Z)

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。