論文の概要: Topological Feature Compression for Molecular Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2508.07807v1
• Date: Mon, 11 Aug 2025 09:45:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:29.034028
• Title: Topological Feature Compression for Molecular Graph Neural Networks
• Title（参考訳）: 分子グラフニューラルネットワークのトポロジ的特徴圧縮
• Authors: Rahul Khorana,
• Abstract要約: 本稿では,圧縮された高次トポロジカル信号と標準分子特性を組み合わせた新しいグラフニューラルネットワーク(GNN)アーキテクチャを提案する。 提案手法は,計算的トラクタビリティと人間の解釈可能な構造を維持しながら,グローバルな幾何学的情報を取得する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in molecular representation learning have produced highly effective encodings of molecules for numerous cheminformatics and bioinformatics tasks. However, extracting general chemical insight while balancing predictive accuracy, interpretability, and computational efficiency remains a major challenge. In this work, we introduce a novel Graph Neural Network (GNN) architecture that combines compressed higher-order topological signals with standard molecular features. Our approach captures global geometric information while preserving computational tractability and human-interpretable structure. We evaluate our model across a range of benchmarks, from small-molecule datasets to complex material datasets, and demonstrate superior performance using a parameter-efficient architecture. We achieve the best performing results in both accuracy and robustness across almost all benchmarks. We open source all code \footnote{All code and results can be found on Github https://github.com/rahulkhorana/TFC-PACT-Net}.
• Abstract（参考訳）: 分子表現学習の最近の進歩は、多くのケミノフォマティクスおよびバイオインフォマティクスタスクのための分子の非常に効果的なエンコーディングを生み出している。 しかし、予測精度、解釈可能性、計算効率のバランスをとりながら一般的な化学的洞察を抽出することは大きな課題である。 本研究では,圧縮された高次トポロジカル信号と標準分子特性を組み合わせた新しいグラフニューラルネットワーク(GNN)アーキテクチャを提案する。 提案手法は,計算的トラクタビリティと人間の解釈可能な構造を維持しながら,グローバルな幾何学的情報を取得する。 我々は,小分子データセットから複雑な物質データセットまで,さまざまなベンチマークでモデルを評価し,パラメータ効率のよいアーキテクチャを用いて優れた性能を示す。 ほぼすべてのベンチマークで、正確性と堅牢性の両方で最高のパフォーマンスを実現しています。 すべてのコードと結果はGithub https://github.com/rahulkhorana/TFC-PACT-Net}で公開しています。

関連論文リスト

• Exact Computation of Any-Order Shapley Interactions for Graph Neural Networks [53.10674067060148]
  共有インタラクション(SI)は、複数のノード間のノードのコントリビューションとインタラクションを定量化する。 GNNアーキテクチャを利用して、ノード埋め込みにおける相互作用の構造がグラフ予測のために保存されていることを示す。 任意の順序SIを正確に計算するための効率的なアプローチであるGraphSHAP-IQを導入する。
  論文  参考訳（メタデータ） (2025-01-28T13:37:44Z)
• Transfer learning for atomistic simulations using GNNs and kernel mean embeddings [24.560340485988128]
  本稿では, グラフニューラルネットワーク(GNN)を用いて, カーネル平均埋め込みとともに, 化学環境を表現するトランスファー学習アルゴリズムを提案する。 我々は,複雑性を増大させる一連の現実的なデータセットに対して,我々のアプローチを検証し,優れた一般化と伝達可能性性能を示す。
  論文  参考訳（メタデータ） (2023-06-02T14:58:16Z)
• Connectivity Optimized Nested Graph Networks for Crystal Structures [1.1470070927586016]
  グラフニューラルネットワーク(GNN)は、材料科学や化学における様々な応用に応用されている。 提案したモデルでは,MateBenchベンチマークのすべてのタスクにおいて,最新の結果が体系的に改善されることが示されている。
  論文  参考訳（メタデータ） (2023-02-27T19:26:48Z)
• A Comprehensive Study on Large-Scale Graph Training: Benchmarking and Rethinking [124.21408098724551]
  グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である 本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。 提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
  論文  参考訳（メタデータ） (2022-10-14T03:43:05Z)
• FunQG: Molecular Representation Learning Via Quotient Graphs [0.0]
  本稿ではFunQGという新しい分子グラフ粗化フレームワークを提案する。 FunQGは、その性質を決定するために分子の影響力のある構成要素として官能基を用いる。 得られた情報グラフは,分子グラフよりもはるかに小さいため,GNNの訓練に適していることを示す。
  論文  参考訳（メタデータ） (2022-07-18T13:36:20Z)
• Neural Topological Ordering for Computation Graphs [23.225391263047364]
  エンコーダ-デコーダフレームワークを用いたトポロジ的順序付けのためのエンドツーエンドの機械学習に基づくアプローチを提案する。 このモデルでは,最大2kノードの合成グラフにおいて,いくつかのトポロジ的順序付けベースラインで,より高速に動作可能であることを示す。
  論文  参考訳（メタデータ） (2022-07-13T00:12:02Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning via Gaussian Processes [144.6048446370369]
  グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。 グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。 GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-02-26T10:02:32Z)

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。