論文の概要: RISE: Radius of Influence based Subgraph Extraction for 3D Molecular Graph Explanation

• arxiv url: http://arxiv.org/abs/2505.02247v1
• Date: Sun, 04 May 2025 21:01:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.508383
• Title: RISE: Radius of Influence based Subgraph Extraction for 3D Molecular Graph Explanation
• Title（参考訳）: RISE:3次元分子グラフ記述のための影響に基づく部分グラフ抽出のラディウス
• Authors: Jingxiang Qu, Wenhan Gao, Jiaxing Zhang, Xufeng Liu, Hua Wei, Haibin Ling, Yi Liu,
• Abstract要約: 3D Geometric Graph Neural Networks (GNN) は、分子データのモデリングのための変換ツールとして登場した。 その予測力にもかかわらず、3D GNNはしばしば限定的な解釈可能性に悩まされる。 本稿では,3次元GNNに特化して設計された新しい説明手法を提案する。
• 参考スコア（独自算出の注目度）: 46.472761427870886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Geometric Graph Neural Networks (GNNs) have emerged as transformative tools for modeling molecular data. Despite their predictive power, these models often suffer from limited interpretability, raising concerns for scientific applications that require reliable and transparent insights. While existing methods have primarily focused on explaining molecular substructures in 2D GNNs, the transition to 3D GNNs introduces unique challenges, such as handling the implicit dense edge structures created by a cut-off radius. To tackle this, we introduce a novel explanation method specifically designed for 3D GNNs, which localizes the explanation to the immediate neighborhood of each node within the 3D space. Each node is assigned an radius of influence, defining the localized region within which message passing captures spatial and structural interactions crucial for the model's predictions. This method leverages the spatial and geometric characteristics inherent in 3D graphs. By constraining the subgraph to a localized radius of influence, the approach not only enhances interpretability but also aligns with the physical and structural dependencies typical of 3D graph applications, such as molecular learning.
• Abstract（参考訳）: 3D Geometric Graph Neural Networks (GNN) は、分子データのモデリングのための変換ツールとして登場した。 その予測力にもかかわらず、これらのモデルはしばしば限定的な解釈可能性に悩まされ、信頼性と透明な洞察を必要とする科学的応用への懸念を提起する。 既存の手法は主に2D GNNの分子構造を説明することに重点を置いているが、3D GNNへの遷移は、カットオフ半径によって生成される暗黙の密接なエッジ構造を扱うなど、ユニークな課題をもたらす。 そこで本研究では,3次元GNNに特化して設計された新しい説明手法を提案する。 各ノードは影響の半径を割り当て、メッセージパッシングがモデルの予測に不可欠な空間的および構造的相互作用をキャプチャする領域を定義する。 この手法は3次元グラフに固有の空間的特徴と幾何学的特徴を利用する。 部分グラフを局所的な影響半径に制限することにより、アプローチは解釈可能性を高めるだけでなく、分子学習のような3Dグラフアプリケーションに典型的な物理的および構造的依存関係と整合する。

関連論文リスト

• A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
  原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
  論文  参考訳（メタデータ） (2023-12-12T18:44:19Z)
• 3D Molecular Geometry Analysis with 2D Graphs [79.47097907673877]
  分子の基底状態3次元ジオメトリは多くの分子解析タスクに必須である。 現代の量子力学的手法は正確な3次元幾何学を計算できるが、計算は禁じられている。 分子グラフから3次元幾何学を予測するための新しいディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-01T19:00:46Z)
• A new perspective on building efficient and expressive 3D equivariant graph neural networks [39.0445472718248]
  等変GNNの表現力を評価するための3次元同型階層を提案する。 我々の研究は、表現的かつ効率的な幾何学的GNNを設計するための2つの重要なモジュールに繋がる。 本理論の適用性を示すため,これらのモジュールを効果的に実装したLEFTNetを提案する。
  論文  参考訳（メタデータ） (2023-04-07T18:08:27Z)
• 3D Infomax improves GNNs for Molecular Property Prediction [1.9703625025720701]
  本稿では,2次元分子グラフのみに与えられる分子の幾何学をモデル化するための事前学習モデルを提案する。 我々は,3次元事前学習が幅広い特性に対して大きな改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-10-08T13:30:49Z)
• Dense Graph Convolutional Neural Networks on 3D Meshes for 3D Object Segmentation and Classification [0.0]
  本稿では3次元メッシュ上でのグラフ畳み込みニューラルネットワーク(GCN)の設計について述べる。 メッシュの顔を基本処理単位とし、各ノードが顔に対応するグラフとして3Dメッシュを表現する。
  論文  参考訳（メタデータ） (2021-06-30T02:17:16Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
  3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。 局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。 本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
  論文  参考訳（メタデータ） (2020-04-21T13:40:03Z)

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。