論文の概要: Optimal message passing for molecular prediction is simple, attentive and spatial

• arxiv url: http://arxiv.org/abs/2509.10871v1
• Date: Sat, 13 Sep 2025 15:55:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.824874
• Title: Optimal message passing for molecular prediction is simple, attentive and spatial
• Title（参考訳）: 分子予測のための最適メッセージパッシングは単純で注意深い空間的
• Authors: Alma C. Castaneda-Leautaud, Rommie E. Amaro,
• Abstract要約: 分子特性予測のためのメッセージパッシングニューラルネットの予測性能を改善するための戦略が達成される。 我々は、外部データベースで事前訓練されたモデルなど、より複雑なモデルを上回る、最先端のパフォーマンスを実現するモデルを設計する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Strategies to improve the predicting performance of Message-Passing Neural-Networks for molecular property predictions can be achieved by simplifying how the message is passed and by using descriptors that capture multiple aspects of molecular graphs. In this work, we designed model architectures that achieved state-of-the-art performance, surpassing more complex models such as those pre-trained on external databases. We assessed dataset diversity to complement our performance results, finding that structural diversity influences the need for additional components in our MPNNs and feature sets. In most datasets, our best architecture employs bidirectional message-passing with an attention mechanism, applied to a minimalist message formulation that excludes self-perception, highlighting that relatively simpler models, compared to classical MPNNs, yield higher class separability. In contrast, we found that convolution normalization factors do not benefit the predictive power in all the datasets tested. This was corroborated in both global and node-level outputs. Additionally, we analyzed the influence of both adding spatial features and working with 3D graphs, finding that 2D molecular graphs are sufficient when complemented with appropriately chosen 3D descriptors. This approach not only preserves predictive performance but also reduces computational cost by over 50%, making it particularly advantageous for high-throughput screening campaigns.
• Abstract（参考訳）: 分子特性予測のためのMessage-Passing Neural-Networksの予測性能を改善するための戦略は、メッセージがどのように渡されるかを簡単にし、分子グラフの複数の側面をキャプチャするディスクリプタを使用することで達成できる。 本研究では、外部データベース上で事前訓練されたモデルなど、より複雑なモデルを上回る、最先端のパフォーマンスを実現するモデルアーキテクチャを設計した。 データセットの多様性を評価してパフォーマンスを補完し、構造的な多様性がMPNNや機能セットに追加のコンポーネントの必要性に影響を与えていることを確認しました。 ほとんどのデータセットでは、最高のアーキテクチャでは双方向メッセージパッシングとアテンション機構を採用し、自己認識を除外する最小限のメッセージ定式化に適用しています。 対照的に、畳み込み正規化係数は、テストされた全てのデータセットの予測力に寄与しないことがわかった。 これはグローバルレベルの出力とノードレベルの出力の両方で相関した。 さらに,空間的特徴の追加と3次元グラフの操作の影響を解析し,適切に選択された3次元記述子を補完すると2次元の分子グラフが十分であることを示した。 このアプローチは予測性能を保持するだけでなく、計算コストを50%以上削減する。

関連論文リスト

• Detecting and Pruning Prominent but Detrimental Neurons in Large Language Models [68.57424628540907]
  大規模言語モデル(LLM)は、しばしば特定のデータセットに特化した学習メカニズムを開発する。 本稿では,データセット固有のメカニズムに関連するニューロンの同定と解析により,一般化の促進を目的とした微調整手法を提案する。 本手法では,各ニューロンの高信頼度予測への影響を定量化するため,データセット固有の性能に不均等に寄与するニューロンを同定する。
  論文  参考訳（メタデータ） (2025-07-12T08:10:10Z)
• CAST: Cross Attention based multimodal fusion of Structure and Text for materials property prediction [5.623295547221969]
  クロスアテンションに基づくモデルは、グラフ表現と資料のテキスト記述を統合する。 CASTは4つの重要な材料特性で既存のベースラインモデルを上回っている。 本研究は,材料科学において,より正確かつグローバルに情報を得た予測モデルを開発するためのマルチモーダル学習フレームワークの可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-02-06T02:29:39Z)
• On Machine Learning Approaches for Protein-Ligand Binding Affinity Prediction [2.874893537471256]
  本研究では,タンパク質-リガンド結合親和性予測における古典的木モデルと高度なニューラルネットワークの性能を評価する。 2次元モデルと3次元モデルを組み合わせることで、現在の最先端のアプローチを超えて、アクティブな学習結果が向上することを示す。
  論文  参考訳（メタデータ） (2024-07-15T13:06:00Z)
• TokenUnify: Scaling Up Autoregressive Pretraining for Neuron Segmentation [65.65530016765615]
  本稿では,3つの相補的な学習目標を通じて,大規模依存関係をキャプチャする階層型予測コーディングフレームワークを提案する。 TokenUnifyは、ランダムトークン予測、次のトークン予測、およびすべてのトークン予測を統合して、包括的な表現空間を作成する。 また,120億個の注釈付きボクセルを付加した大規模EMデータセットを導入し,空間連続性を持つ理想的な長周期視覚データを提供する。
  論文  参考訳（メタデータ） (2024-05-27T05:45:51Z)
• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• GPS++: Reviving the Art of Message Passing for Molecular Property Prediction [2.4476539922912632]
  GPS++は、分子特性予測のためのハイブリッドメッセージパッシングニューラルネットワーク/グラフトランスフォーマーモデルである。 本手法は,3次元位置情報が得られない場合に,従来の手法よりもはるかに正確である。
  論文  参考訳（メタデータ） (2023-02-06T17:30:22Z)
• Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
  本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。 近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
  論文  参考訳（メタデータ） (2022-05-31T22:28:34Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)

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。