論文の概要: 3D-GSRD: 3D Molecular Graph Auto-Encoder with Selective Re-mask Decoding

• arxiv url: http://arxiv.org/abs/2510.16780v1
• Date: Sun, 19 Oct 2025 10:12:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.140276
• Title: 3D-GSRD: 3D Molecular Graph Auto-Encoder with Selective Re-mask Decoding
• Title（参考訳）: 3D-GSRD:選択的再マスクデコードによる3D分子グラフオートエンコーダ
• Authors: Chang Wu, Zhiyuan Liu, Wen Shu, Liang Wang, Yanchen Luo, Wenqiang Lei, Yatao Bian, Junfeng Fang, Xiang Wang,
• Abstract要約: 3D-GSRDはSelective Re-mask Decodingを備えた3D Molecular Graph Auto-Encoderである。 3D-GSRDは、広く使われているMD17分子特性予測ベンチマークにおいて、8つのターゲットのうち7つのターゲットに新しい最先端技術を設定する。
• 参考スコア（独自算出の注目度）: 57.63838336358095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Masked graph modeling (MGM) is a promising approach for molecular representation learning (MRL).However, extending the success of re-mask decoding from 2D to 3D MGM is non-trivial, primarily due to two conflicting challenges: avoiding 2D structure leakage to the decoder, while still providing sufficient 2D context for reconstructing re-masked atoms.To address these challenges, we propose 3D-GSRD: a 3D Molecular Graph Auto-Encoder with Selective Re-mask Decoding. The core innovation of 3D-GSRD lies in its Selective Re-mask Decoding(SRD), which re-masks only 3D-relevant information from encoder representations while preserving the 2D graph structures.This SRD is synergistically integrated with a 3D Relational-Transformer(3D-ReTrans) encoder alongside a structure-independent decoder. We analyze that SRD, combined with the structure-independent decoder, enhances the encoder's role in MRL. Extensive experiments show that 3D-GSRD achieves strong downstream performance, setting a new state-of-the-art on 7 out of 8 targets in the widely used MD17 molecular property prediction benchmark. The code is released at https://github.com/WuChang0124/3D-GSRD.
• Abstract（参考訳）: マスク付きグラフモデリング(MGM)は、分子表現学習(MRL)において有望なアプローチである。 しかし, 2D から 3D MGM への再マスク復号化の成功は, 主に2D 構造をデコーダに漏れないようにし, 再マスクされた原子の再構成に十分な 2D コンテキストを提供しながら, 相反する2D 構造をデコーダに漏らすという2つの問題により, 簡単ではない。 3D-GSRDの核となる革新は、Selective Re-mask Decoding(SRD)にある。これは、2Dグラフ構造を保持しながらエンコーダ表現から3D関連情報のみを再マスクする。 我々は、SRDと構造に依存しないデコーダが組み合わさって、MRLにおけるエンコーダの役割を高めることを分析した。 MD17分子特性予測ベンチマークにおいて、3D-GSRDは8つのターゲットのうち7つのターゲットに新しい最先端の状態を設定し、3D-GSRDは強力なダウンストリーム性能を達成することを示した。 コードはhttps://github.com/WuChang0124/3D-GSRDで公開されている。

関連論文リスト

• Exploring the Potential of Encoder-free Architectures in 3D LMMs [40.43146298677712]
  本稿では,エンコーダをベースとした3次元大規模マルチモーダルモデルの課題を軽減するために,エンコーダフリーアーキテクチャの可能性を初めて包括的に検討する。 以上の結果から,エンコーダフリーアーキテクチャは3次元理解分野におけるエンコーダベースアーキテクチャの代替として有望であることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:59:45Z)
• GOEmbed: Gradient Origin Embeddings for Representation Agnostic 3D Feature Learning [67.61509647032862]
  入力された2次元画像を任意の3次元表現にエンコードするGOEmbed(Gradient Origin Embeddings)を提案する。 入力画像が大きな事前訓練されたモデルから抽出された2D特徴を用いて符号化される典型的な従来のアプローチとは異なり、カスタマイズされた特徴は異なる3D表現を扱うように設計されている。
  論文  参考訳（メタデータ） (2023-12-14T08:39:39Z)
• Joint-MAE: 2D-3D Joint Masked Autoencoders for 3D Point Cloud Pre-training [65.75399500494343]
  Masked Autoencoders (MAE) は、2Dおよび3Dコンピュータビジョンのための自己教師型学習において有望な性能を示した。 自己監督型3次元点雲事前学習のための2D-3DジョイントMAEフレームワークであるJoint-MAEを提案する。
  論文  参考訳（メタデータ） (2023-02-27T17:56:18Z)

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。