論文の概要: Chi-Geometry: A Library for Benchmarking Chirality Prediction of GNNs
- arxiv url: http://arxiv.org/abs/2508.09097v1
- Date: Tue, 12 Aug 2025 17:24:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-13 21:07:34.524952
- Title: Chi-Geometry: A Library for Benchmarking Chirality Prediction of GNNs
- Title（参考訳）: Chi-Geometry: GNNのキラリティ予測のベンチマークライブラリ
- Authors: Rylie Weaver, Massamiliano Lupo Pasini,
- Abstract要約: Chi-Geometryは、GNNのキラリティを予測する能力のテストとベンチマークのためのグラフデータを生成するライブラリである。
Chi-Geometryは、グラフサンプルのキラリティーを予測するために、GNNのより解釈可能でコンバウンディングの少ないベンチマークを可能にする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce Chi-Geometry - a library that generates graph data for testing and benchmarking GNNs' ability to predict chirality. Chi-Geometry generates synthetic graph samples with (i) user-specified geometric and topological traits to isolate certain types of samples and (ii) randomized node positions and species to minimize extraneous correlations. Each generated graph contains exactly one chiral center labeled either R or S, while all other nodes are labeled N/A (non-chiral). The generated samples are then combined into a cohesive dataset that can be used to assess a GNN's ability to predict chirality as a node classification task. Chi-Geometry allows more interpretable and less confounding benchmarking of GNNs for prediction of chirality in the graph samples which can guide the design of new GNN architectures with improved predictive performance. We illustrate Chi-Geometry's efficacy by using it to generate synthetic datasets for benchmarking various state-of-the-art (SOTA) GNN architectures. The conclusions of these benchmarking results guided our design of two new GNN architectures. The first GNN architecture established all-to-all connections in the graph to accurately predict chirality across all challenging configurations where previously tested SOTA models failed, but at a computational cost (both for training and inference) that grows quadratically with the number of graph nodes. The second GNN architecture avoids all-to-all connections by introducing a virtual node in the original graph structure of the data, which restores the linear scaling of training and inference computational cost with respect to the number of nodes in the graph, while still ensuring competitive accuracy in detecting chirality with respect to SOTA GNN architectures.
- Abstract（参考訳）: 我々は,GNNのキラリティ予測能力をテストするためのグラフデータを生成するライブラリChi-Geometryを紹介する。
チジオメトリは合成グラフサンプルを生成する
一 特定の種類の試料を分離するユーザ特定幾何的及び位相的特性
(ii) 外因性相関を最小化するランダム化ノード位置と種
各生成グラフは、R または S のいずれかにラベル付けされたちょうど1つのキラル中心を含むが、他の全てのノードは N/A (non-chiral) とラベル付けされている。
生成されたサンプルは、結束データセットに結合され、ノード分類タスクとしてキラリティを予測するGNNの能力を評価するのに使用できる。
Chi-Geometryは、グラフサンプルのキラリティーを予測するためのGNNのより解釈可能なベンチマークを可能にし、予測性能を改善した新しいGNNアーキテクチャの設計をガイドすることができる。
我々は、Chi-Geometryの有効性を、様々な最先端(SOTA)GNNアーキテクチャのベンチマークのための合成データセットを生成することで説明する。
これらのベンチマーク結果の結論は、2つの新しいGNNアーキテクチャの設計を導いた。
最初のGNNアーキテクチャは、以前にテストされたSOTAモデルが失敗した全ての難解な構成におけるキラリティを正確に予測するためにグラフに全対全接続を確立したが、その計算コスト(トレーニングと推論の両方)はグラフノードの数で2次的に増加する。
第2のGNNアーキテクチャは、データの元のグラフ構造に仮想ノードを導入し、グラフ内のノード数に関するトレーニングと推論計算コストの線形スケーリングを復元すると共に、SOTA GNNアーキテクチャに対するキラリティの検出における競合精度を確保しながら、全接続を回避する。
関連論文リスト
- Graph Alignment for Benchmarking Graph Neural Networks and Learning Positional Encodings [4.343110120255532]
本稿では,グラフアライメント問題に基づくグラフニューラルネットワーク(GNN)の新しいベンチマーク手法を提案する。
我々は,この問題を自己教師付き学習タスクとして捉え,グラフアライメントデータセットを生成するいくつかの方法を提案する。
実験により、異方性グラフニューラルネットワークは標準的な畳み込みアーキテクチャより優れていることが示された。
論文 参考訳（メタデータ） (2025-05-19T13:22:17Z) - Generalization of Geometric Graph Neural Networks with Lipschitz Loss Functions [84.01980526069075]
幾何グラフニューラルネットワーク(GNN)の一般化能力について検討する。
我々は,このGNNの最適経験リスクと最適統計リスクとの一般化ギャップを証明した。
複数の実世界のデータセットに対する実験により、この理論結果を検証する。
論文 参考訳（メタデータ） (2024-09-08T18:55:57Z) - Global Minima, Recoverability Thresholds, and Higher-Order Structure in
GNNS [0.0]
ランダムグラフ理論の観点から,グラフニューラルネットワーク(GNN)アーキテクチャの性能を解析する。
合成データにおける特定の高次構造と実データにおける経験的構造の混合が、GNNの性能に劇的な影響を及ぼすことを示す。
論文 参考訳（メタデータ） (2023-10-11T17:16:33Z) - Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。
Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
論文 参考訳（メタデータ） (2023-05-18T07:27:18Z) - 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) - 2-hop Neighbor Class Similarity (2NCS): A graph structural metric
indicative of graph neural network performance [4.051099980410583]
グラフニューラルネットワーク(GNN)は、多数のドメインにわたるグラフ構造化データに対して最先端のパフォーマンスを実現する。
異なるタイプのノードが接続されるヘテロ親和性グラフでは、GNNは一貫して機能しない。
2-hop Neighbor Class similarity (2NCS) は、GNNのパフォーマンスと、他の指標よりも強く、一貫して相関する新しい定量的グラフ構造特性である。
論文 参考訳（メタデータ） (2022-12-26T16:16:51Z) - ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。
複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
論文 参考訳（メタデータ） (2021-10-15T07:18:57Z) - DPGNN: Dual-Perception Graph Neural Network for Representation Learning [21.432960458513826]
グラフニューラルネットワーク(GNN)は近年注目を集め、グラフベースのタスクの多くで顕著なパフォーマンスを実現している。
既存のGNNの多くは、メッセージパッシングパラダイムに基づいて、1つのトポロジ空間内の近隣情報を反復的に集約している。
本稿では,マルチステップメッセージソースの特性,ノード固有のメッセージ出力,マルチスペースメッセージインタラクションに基づく新しいメッセージパッシングパラダイムを提案する。
論文 参考訳（メタデータ） (2021-10-15T05:47:26Z) - A Unified Lottery Ticket Hypothesis for Graph Neural Networks [82.31087406264437]
本稿では,グラフ隣接行列とモデルの重み付けを同時に行う統一GNNスペーシフィケーション(UGS)フレームワークを提案する。
グラフ宝くじ(GLT)をコアサブデータセットとスパースサブネットワークのペアとして定義することにより、人気のある宝くじチケット仮説を初めてGNNsにさらに一般化します。
論文 参考訳（メタデータ） (2021-02-12T21:52:43Z) - Distance Encoding: Design Provably More Powerful Neural Networks for
Graph Representation Learning [63.97983530843762]
グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。
GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。
より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。
本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
論文 参考訳（メタデータ） (2020-08-31T23:15:40Z)
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。