論文の概要: Combining feature-based approaches with graph neural networks and symbolic regression for synergistic performance and interpretability

• arxiv url: http://arxiv.org/abs/2509.03547v2
• Date: Fri, 05 Sep 2025 16:42:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-08 12:28:42.584881
• Title: Combining feature-based approaches with graph neural networks and symbolic regression for synergistic performance and interpretability
• Title（参考訳）: 特徴に基づくグラフニューラルネットワークと記号回帰を組み合わせた相乗的性能と解釈可能性
• Authors: Rogério Almeida Gouvêa, Pierre-Paul De Breuck, Tatiane Pretto, Gian-Marco Rignanese, Marcos José Leite Santos,
• Abstract要約: MatterVialは、材料科学における機能ベースの機械学習のための革新的なハイブリッドフレームワークである。 当社のアプローチは,従来の特徴ベースモデルの化学的透明性とディープラーニングアーキテクチャの予測能力を組み合わせたものです。 サブロゲートモデルとシンボリックレグレッションを利用する統合的解釈可能性モジュールは、潜伏したGNN由来の記述子を明示的で物理的に意味のある式にデコードする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study introduces MatterVial, an innovative hybrid framework for feature-based machine learning in materials science. MatterVial expands the feature space by integrating latent representations from a diverse suite of pretrained graph neural network (GNN) models including: structure-based (MEGNet), composition-based (ROOST), and equivariant (ORB) graph networks, with computationally efficient, GNN-approximated descriptors and novel features from symbolic regression. Our approach combines the chemical transparency of traditional feature-based models with the predictive power of deep learning architectures. When augmenting the feature-based model MODNet on Matbench tasks, this method yields significant error reductions and elevates its performance to be competitive with, and in several cases superior to, state-of-the-art end-to-end GNNs, with accuracy increases exceeding 40% for multiple tasks. An integrated interpretability module, employing surrogate models and symbolic regression, decodes the latent GNN-derived descriptors into explicit, physically meaningful formulas. This unified framework advances materials informatics by providing a high-performance, transparent tool that aligns with the principles of explainable AI, paving the way for more targeted and autonomous materials discovery.
• Abstract（参考訳）: 本研究では,材料科学における特徴ベース機械学習のための革新的なハイブリッドフレームワークであるMatterVialを紹介する。 MatterVialは、構造ベース(MEGNet)、構成ベース(ROOST)、同変(ORB)グラフネットワークを含む、様々な事前訓練されたグラフニューラルネットワーク(GNN)モデルから潜在表現を統合することで、特徴空間を拡張している。 当社のアプローチは,従来の特徴ベースモデルの化学的透明性とディープラーニングアーキテクチャの予測能力を組み合わせたものです。 機能ベースモデルMODNetをMatebenchタスク上で拡張すると、エラーの大幅な削減と性能向上が達成され、いくつかのケースでは最先端のGNNよりも優れ、精度は複数のタスクに対して40%以上向上する。 サブロゲートモデルとシンボリックレグレッションを利用する統合的解釈可能性モジュールは、潜伏したGNN由来の記述子を明示的で物理的に意味のある式にデコードする。 この統合されたフレームワークは、説明可能なAIの原則に沿う高性能で透明なツールを提供することで、よりターゲットを絞った自律的な材料発見の道を開くことで、材料情報を前進させる。

関連論文リスト

• Recurrent U-Net-Based Graph Neural Network (RUGNN) for Accurate Deformation Predictions in Sheet Material Forming [13.180335574191432]
  本研究では,Recurrent U Net-based Graph Neural Network (RUGNN) と呼ばれる新しいグラフニューラルネットワークサロゲートモデルを開発した。 RUGNNモデルは、複数の成形時間ステップにわたるシート材料変形場の正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2025-07-10T08:14:18Z)
• Do We Really Need GNNs with Explicit Structural Modeling? MLPs Suffice for Language Model Representations [50.45261187796993]
  グラフニューラルネットワーク(GNN)は構造情報を十分に活用できないが、MLP(Multi-Layer Perceptrons)は構造認識タスクにおいて驚くべき能力を示す。 本稿では,情報理論の観点から総合的な探索フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-26T18:10:28Z)
• Language Embedding Meets Dynamic Graph: A New Exploration for Neural Architecture Representation Learning [38.323486764309]
  本稿では,言語に基づくセマンティック埋め込みと動的グラフ表現学習の相乗的統合により,制約に対処する革新的なフレームワークであるLeDG-Formerを紹介する。 具体的には、ニューラルアーキテクチャとハードウェアプラットフォーム仕様の両方を統一的なセマンティック空間に投影する言語埋め込みフレームワークを提案する。 本フレームワークは,NAS-Bench-101とNAS-Bench-201データセットに対して優れた性能を示す。
  論文  参考訳（メタデータ） (2025-06-09T13:20:02Z)
• SA-GAT-SR: Self-Adaptable Graph Attention Networks with Symbolic Regression for high-fidelity material property prediction [1.4403769872061323]
  我々はシンボリック回帰(SA-GAT-SR)と統合された新しい計算パラダイムである自己適応型グラフ注意ネットワークを導入する。 本フレームワークでは,注目重みを自動的に識別・調整する自己適応型符号化アルゴリズムを用いて,拡張可能な180次元特徴空間から重要な特徴をスクリーニングする。 その後、統合SRモジュールはこれらの特徴をコンパクトな解析式に蒸留し、量子力学的に意味のある関係を明確に示す。
  論文  参考訳（メタデータ） (2025-05-01T16:05:10Z)
• Instruction-Guided Autoregressive Neural Network Parameter Generation [49.800239140036496]
  本稿では,多種多様なタスクやアーキテクチャにまたがるパラメータ合成を統一する自動回帰フレームワークIGPGを提案する。 ニューラルネットワーク重みのトークンを自動回帰的に生成することにより、IGPGは層間コヒーレンスを確保し、モデルとデータセット間の効率的な適応を可能にする。 複数のデータセットの実験により、IGPGは様々な事前訓練されたモデルを単一の柔軟な生成フレームワークに統合することを示した。
  論文  参考訳（メタデータ） (2025-04-02T05:50:19Z)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
  Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。 ニューラルネットワークとシンボリックコンポーネントを順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。 新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
  論文  参考訳（メタデータ） (2024-02-02T20:33:14Z)

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。