論文の概要: Rotational Sampling: A Plug-and-Play Encoder for Rotation-Invariant 3D Molecular GNNs

• arxiv url: http://arxiv.org/abs/2507.01073v1
• Date: Tue, 01 Jul 2025 08:58:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.833427
• Title: Rotational Sampling: A Plug-and-Play Encoder for Rotation-Invariant 3D Molecular GNNs
• Title（参考訳）: 回転サンプリング:回転不変3次元分子GNNのためのプラグアンドプレイエンコーダ
• Authors: Dian Jin,
• Abstract要約: グラフニューラルネットワーク(GNN)は分子特性予測において顕著な成功を収めた。 従来のグラフ表現は、分子の固有の3次元空間構造を効果的に符号化するのに苦労する。 本稿では,回転サンプリングを利用した新しい3D符号化モジュールを提案する。
• 参考スコア（独自算出の注目度）: 5.558678875187018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) have achieved remarkable success in molecular property prediction. However, traditional graph representations struggle to effectively encode the inherent 3D spatial structures of molecules, as molecular orientations in 3D space introduce significant variability, severely limiting model generalization and robustness. Existing approaches primarily focus on rotation-invariant and rotation-equivariant methods. Invariant methods often rely heavily on prior knowledge and lack sufficient generalizability, while equivariant methods suffer from high computational costs. To address these limitations, this paper proposes a novel plug-and-play 3D encoding module leveraging rotational sampling. By computing the expectation over the SO(3) rotational group, the method naturally achieves approximate rotational invariance. Furthermore, by introducing a carefully designed post-alignment strategy, strict invariance can be achieved without compromising performance. Experimental evaluations on the QM9 and C10 Datasets demonstrate superior predictive accuracy, robustness, and generalization performance compared to existing methods. Moreover, the proposed approach maintains low computational complexity and enhanced interpretability, providing a promising direction for efficient and effective handling of 3D molecular information in drug discovery and material design.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は分子特性予測において顕著な成功を収めた。 しかし、従来のグラフ表現は、3次元空間の分子配向が大きな可変性を持ち、モデルの一般化とロバスト性を大幅に制限するので、分子の固有の3次元空間構造を効果的に符号化するのに苦労する。 既存のアプローチは主に回転不変法と回転同変法に焦点を当てている。 不変メソッドは、しばしば事前の知識に大きく依存し、十分な一般化性を持たないが、同変メソッドは高い計算コストに悩まされる。 これらの制約に対処するために,回転サンプリングを利用した新しいプラグアンドプレイ3D符号化モジュールを提案する。 SO(3) の回転群に対する期待値を計算することにより、この方法は自然に近似的な回転不変性を達成する。 さらに、慎重に設計されたポストアライメント戦略を導入することで、性能を損なうことなく厳密な不変性を実現できる。 QM9とC10データセットの実験的評価は、既存の手法と比較して予測精度、堅牢性、一般化性能に優れていた。 さらに, 提案手法は, 計算複雑性の低減と解釈可能性の向上を図り, 創薬・材料設計における3次元分子情報の効率的かつ効果的な取り扱いに期待できる方向を提供する。

関連論文リスト

• Scalable Non-Equivariant 3D Molecule Generation via Rotational Alignment [24.144491389884983]
  このような等変制約を緩和する手法を提案する。 非同変拡散モデルが整列表現上で訓練される。 実験結果から,本手法は従来報告した非同変モデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2025-06-11T21:23:56Z)
• GaussianVAE: Adaptive Learning Dynamics of 3D Gaussians for High-Fidelity Super-Resolution [7.288410309484523]
  本稿では,3次元ガウス散乱(3DGS)の分解能と幾何学的忠実度を,ネイティブトレーニングの分解能を超えて向上させる新しい手法を提案する。 私たちの研究は、この制限を軽量な生成モデルによって破り、最も必要な3Dガウスを予測し、洗練します。
  論文  参考訳（メタデータ） (2025-06-09T16:13:12Z)
• Rep3D: Re-parameterize Large 3D Kernels with Low-Rank Receptive Modeling for Medical Imaging [15.142146104837005]
  Rep3Dは、学習可能な空間ボリュームを大規模なカーネルトレーニングに組み込む3D畳み込みフレームワークである。 Rep3Dは、3D画像解析のための解釈可能でスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-05-26T07:12:56Z)
• Towards Unified and Lossless Latent Space for 3D Molecular Latent Diffusion Modeling [77.26556208024633]
  3次元分子生成は、薬物発見と物質科学に不可欠である。 既存のアプローチは、典型的には不変かつ同変なモジュラリティに対して別々のラテント空間を保持する。 我々は,3次元分子を潜在空間から潜在配列に圧縮するマルチモーダルVAEである textbfUAE-3D を提案する。
  論文  参考訳（メタデータ） (2025-03-19T08:56:13Z)
• 3D Equivariant Pose Regression via Direct Wigner-D Harmonics Prediction [50.07071392673984]
  既存の方法は、角度や四元数を用いて空間領域でパラメータ化された3次元回転を学習する。 本稿では,3次元回転回帰のためのWigner-D係数を直接予測する周波数領域アプローチを提案する。 提案手法は, ModelNet10-SO(3) や PASCAL3D+ などのベンチマーク上での最先端結果を実現する。
  論文  参考訳（メタデータ） (2024-11-01T12:50:38Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• Rotation-Invariant Random Features Provide a Strong Baseline for Machine Learning on 3D Point Clouds [10.166033101890227]
  三次元点雲データの回転不変関数を簡易かつ汎用的に学習する手法を提案する。 我々は,本手法が汎用回転不変ニューラルネットワークの性能に適合し,性能に優れることを示す。
  論文  参考訳（メタデータ） (2023-07-27T20:18:11Z)
• Equivariant Diffusion for Molecule Generation in 3D [74.289191525633]
  この研究は、ユークリッド変換に同値な3次元の分子計算生成のための拡散モデルを導入する。 提案手法は, 従来の3次元分子生成法に比べて, 生成した試料の品質と訓練時の効率を著しく向上させる。
  論文  参考訳（メタデータ） (2022-03-31T12:52:25Z)
• 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)
• Adjoint Rigid Transform Network: Task-conditioned Alignment of 3D Shapes [86.2129580231191]
  Adjoint Rigid Transform (ART) Networkは、さまざまな3Dネットワークと統合可能なニューラルネットワークモジュールである。 ARTは入力の形状を学習した標準方向に回転させることを学び、多くのタスクに欠かせない。 さらなる研究のために、コードと事前訓練されたモデルをリリースします。
  論文  参考訳（メタデータ） (2021-02-01T20:58:45Z)

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。