論文の概要: Soft causal learning for generalized molecule property prediction: An environment perspective

• arxiv url: http://arxiv.org/abs/2505.06283v1
• Date: Wed, 07 May 2025 06:04:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.739313
• Title: Soft causal learning for generalized molecule property prediction: An environment perspective
• Title（参考訳）: 一般化分子特性予測のためのソフト因果学習:環境の視点から
• Authors: Limin Li, Kuo Yang, Wenjie Du, Pengkun Wang, Zhengyang Zhou, Yang Wang,
• Abstract要約: 分子科学における未解決OOD問題に対処するためのソフト因果学習フレームワークを提案する。 まず化学理論をグラフ成長生成器に組み込んで拡張環境を模倣する。 次に、GIBに基づく環境をグラフ全体から切り離す目的を考案し、最後に、相互注意に基づくソフト因果相互作用を導入する。
• 参考スコア（独自算出の注目度）: 14.650281784096256
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning on molecule graphs has become an increasingly important topic in AI for science, which takes full advantage of AI to facilitate scientific discovery. Existing solutions on modeling molecules utilize Graph Neural Networks (GNNs) to achieve representations but they mostly fail to adapt models to out-of-distribution (OOD) samples. Although recent advances on OOD-oriented graph learning have discovered the invariant rationale on graphs, they still ignore three important issues, i.e., 1) the expanding atom patterns regarding environments on graphs lead to failures of invariant rationale based models, 2) the associations between discovered molecular subgraphs and corresponding properties are complex where causal substructures cannot fully interpret the labels. 3) the interactions between environments and invariances can influence with each other thus are challenging to be modeled. To this end, we propose a soft causal learning framework, to tackle the unresolved OOD challenge in molecular science, from the perspective of fully modeling the molecule environments and bypassing the invariant subgraphs. Specifically, we first incorporate chemistry theories into our graph growth generator to imitate expaned environments, and then devise an GIB-based objective to disentangle environment from whole graphs and finally introduce a cross-attention based soft causal interaction, which allows dynamic interactions between environments and invariances. We perform experiments on seven datasets by imitating different kinds of OOD generalization scenarios. Extensive comparison, ablation experiments as well as visualized case studies demonstrate well generalization ability of our proposal.
• Abstract（参考訳）: 分子グラフの学習は、科学におけるAIにおいてますます重要になってきており、科学的な発見を促進するためにAIを最大限に活用している。 既存のモデリング分子上のソリューションでは、グラフニューラルネットワーク(GNN)を使用して表現を達成しているが、モデルにアウト・オブ・ディストリビューション(OOD)サンプルを適用することにはほとんど失敗している。 OOD指向グラフ学習の最近の進歩はグラフ上の不変理性を発見したが、それでも3つの重要な問題を無視している。 1) グラフ上の環境に関する原子パターンの増大は、不変理性に基づくモデルの失敗につながる。 2) 発見された分子サブグラフと対応する性質の関連は, 因果的部分構造がラベルを完全に解釈できない複雑なものである。 3)環境と不変性の間の相互作用は相互に影響しうるため,モデル化は困難である。 そこで本研究では,分子環境を完全にモデル化し,不変部分グラフをバイパスする観点から,分子科学における未解決のOOD課題に取り組むためのソフト因果学習フレームワークを提案する。 具体的には、まず、拡張された環境を模倣するために、化学理論をグラフ成長生成器に組み込み、次に、全グラフから環境を切り離すためのGIBベースの目的を考案し、最後に、環境と不変性の間の動的相互作用を可能にする、相互依存に基づくソフト因果相互作用を導入する。 我々は,異なる種類のOOD一般化シナリオを模倣して,7つのデータセットの実験を行う。 拡張的な比較,アブレーション実験,および可視化されたケーススタディにより,本提案の一般化能力が良好に示された。

関連論文リスト

• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• Conditional Graph Information Bottleneck for Molecular Relational Learning [9.56625683182106]
  本稿では,コア部分グラフを検出してグラフ間の相互作用を予測できる新しい関係学習フレームワークCGIBを提案する。 提案手法は化学反応の性質,すなわち分子の核部分構造がどの分子と相互作用するかによって異なることを模倣する。
  論文  参考訳（メタデータ） (2023-04-29T01:17:43Z)
• Enhancing Model Learning and Interpretation Using Multiple Molecular Graph Representations for Compound Property and Activity Prediction [0.0]
  本研究では,高次情報を含む複数の分子グラフ表現を導入する。 モデル学習と多様な視点からの解釈に対するそれらの効果について研究する。 その結果, 原子グラフ表現と分子グラフ表現の低減を組み合わせれば, 有望なモデル性能が得られることがわかった。
  論文  参考訳（メタデータ） (2023-04-13T04:20:30Z)
• Interpretable Molecular Graph Generation via Monotonic Constraints [19.401468196146336]
  ディープグラフ生成モデルは、分子設計をグラフ生成問題として扱う。 既存のモデルには多くの欠点があり、解釈性や所望の分子特性に対する制御性が低い。 本稿では,分子生成の解釈可能なモデルと深層制御可能なモデルを用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-02-28T08:35:56Z)
• Learning Attributed Graph Representations with Communicative Message Passing Transformer [3.812358821429274]
  分子グラフ表現を改善するために,コミュニケーティブメッセージパッシングトランス (CoMPT) ニューラルネットワークを提案する。 分子を完全連結グラフとして扱う従来のトランスフォーマースタイルのGNNとは異なり、グラフ接続帰納バイアスを利用するメッセージ拡散機構を導入する。
  論文  参考訳（メタデータ） (2021-07-19T11:58:32Z)
• ASGN: An Active Semi-supervised Graph Neural Network for Molecular Property Prediction [61.33144688400446]
  本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。 教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。 最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:22:39Z)
• Causal Discovery in Physical Systems from Videos [123.79211190669821]
  因果発見は人間の認知の中心にある。 本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
  論文  参考訳（メタデータ） (2020-07-01T17:29:57Z)

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。