論文の概要: SPECTRA: Spectral Target-Aware Graph Augmentation for Imbalanced Molecular Property Regression

• arxiv url: http://arxiv.org/abs/2511.04838v1
• Date: Thu, 06 Nov 2025 21:57:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.601438
• Title: SPECTRA: Spectral Target-Aware Graph Augmentation for Imbalanced Molecular Property Regression
• Title（参考訳）: SPECTRA:不均衡な分子特性回帰のためのスペクトルターゲット対応グラフ増強
• Authors: Brenda Nogueira, Meng Jiang, Nitesh V. Chawla, Nuno Moniz,
• Abstract要約: SPECTRAはSpectral Target-Awareグラフ拡張フレームワークである。 スペクトル領域で現実的な分子グラフを生成する。 競合全体のMAEを維持しながら、関連するターゲット範囲のエラーを継続的に改善する。
• 参考スコア（独自算出の注目度）: 45.62053904749856
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In molecular property prediction, the most valuable compounds (e.g., high potency) often occupy sparse regions of the target space. Standard Graph Neural Networks (GNNs) commonly optimize for the average error, underperforming on these uncommon but critical cases, with existing oversampling methods often distorting molecular topology. In this paper, we introduce SPECTRA, a Spectral Target-Aware graph augmentation framework that generates realistic molecular graphs in the spectral domain. SPECTRA (i) reconstructs multi-attribute molecular graphs from SMILES; (ii) aligns molecule pairs via (Fused) Gromov-Wasserstein couplings to obtain node correspondences; (iii) interpolates Laplacian eigenvalues, eigenvectors and node features in a stable share-basis; and (iv) reconstructs edges to synthesize physically plausible intermediates with interpolated targets. A rarity-aware budgeting scheme, derived from a kernel density estimation of labels, concentrates augmentation where data are scarce. Coupled with a spectral GNN using edge-aware Chebyshev convolutions, SPECTRA densifies underrepresented regions without degrading global accuracy. On benchmarks, SPECTRA consistently improves error in relevant target ranges while maintaining competitive overall MAE, and yields interpretable synthetic molecules whose structure reflects the underlying spectral geometry. Our results demonstrate that spectral, geometry-aware augmentation is an effective and efficient strategy for imbalanced molecular property regression.
• Abstract（参考訳）: 分子特性予測において、最も価値の高い化合物(例えば、高活性)は、しばしば標的空間のスパース領域を占有する。 標準グラフニューラルネットワーク(GNN)は、一般的に平均誤差を最適化し、これらの珍しいケースでは性能が悪く、既存のオーバーサンプリング法は分子トポロジーを歪ませることが多い。 本稿では、スペクトル領域における現実的な分子グラフを生成するスペクトルターゲット・アウェアグラフ拡張フレームワークであるSPECTRAを紹介する。 SPECTRA i)SMILESからの多属性分子グラフの再構成 (ii)Gromov-Wassersteinカップリングを介して分子対を配位してノード対応を得る。 三 安定共有基底におけるラプラシア固有値、固有ベクトル及びノード特徴を補間すること。 (iv)エッジを再構成し、物理的に可塑性中間体と補間対象物とを合成する。 ラベルのカーネル密度推定から導かれる希少性を考慮した予算方式は、データが不足している拡張に集中する。 エッジを意識したChebyshev畳み込みを用いたスペクトルGNNと組み合わせて、SPECTRAは世界的精度を低下させることなく、未表現領域を密度化する。 ベンチマークでは、SPECTRAは関連するターゲット範囲の誤差を常に改善し、総合的なMAEを維持し、基盤となるスペクトル幾何学を反映する構造を持つ解釈可能な合成分子を生成する。 この結果から, スペクトル, 幾何認識の増大は分子特性の非平衡回帰の効果的かつ効率的な戦略であることが示唆された。

関連論文リスト

• Spectral Analysis of Molecular Kernels: When Richer Features Do Not Guarantee Better Generalization [3.2880869992413246]
  QM9データセット上でカーネルリッジ回帰の総合スペクトル分析を行った。 驚くべきことに、4つの異なるスペクトル測定値によって測定されるよりリッチなスペクトル特徴は、常に精度を向上しない。 変換器ベースおよび局所的な3次元表現の場合、スペクトルの富度は性能と負の相関を持つ。
  論文  参考訳（メタデータ） (2025-10-16T01:52:26Z)
• Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
  この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。 分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。 細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
  論文  参考訳（メタデータ） (2025-07-22T04:35:50Z)
• Spectral Manifold Harmonization for Graph Imbalanced Regression [30.376583325991454]
  本稿では、グラフ構造データにおける不均衡回帰問題に対処する新しいアプローチであるスペクトルマニフォールド調和法(SMH)を提案する。 SMHは、最も関連性の高い分布領域に着目しながら、トポロジカルな特性を保持する合成グラフサンプルを生成する。 化学および薬物発見ベンチマークデータセットにおけるSMHの可能性を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2025-07-01T18:48:43Z)
• Spectro-Riemannian Graph Neural Networks [39.901731107377095]
  Cusp Laplacian は、Ollivier-Ricci曲率に基づく伝統的なグラフ Laplacian の拡張である。 Cusp Poolingは階層的な注意機構であり、曲率ベースの位置符号化と組み合わせている。
  論文  参考訳（メタデータ） (2025-02-01T11:31:01Z)
• HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
  従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。 ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。 本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
  論文  参考訳（メタデータ） (2023-10-03T17:42:09Z)
• Handling Missing Data via Max-Entropy Regularized Graph Autoencoder [37.8103274049137]
  MEGAEはグラフ属性計算のための正規化グラフオートエンコーダである。 グラフスペクトルエントロピーを最大化することでスペクトル集中問題を緩和することを目的としている。 さまざまなベンチマークデータセットにおいて、他の最先端の計算方法よりも優れています。
  論文  参考訳（メタデータ） (2022-11-30T06:22:40Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
  薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。 そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。 また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
  論文  参考訳（メタデータ） (2020-12-17T17:44:01Z)
• Uncovering the Folding Landscape of RNA Secondary Structure with Deep Graph Embeddings [71.20283285671461]
  このようなグラフ埋め込みを学習するための幾何散乱オートエンコーダ(GSAE)ネットワークを提案する。 我々の埋め込みネットワークは、最近提案された幾何散乱変換を用いて、まずリッチグラフ特徴を抽出する。 GSAEは、構造とエネルギーの両方でRNAグラフを整理し、ビスタブルRNA構造を正確に反映していることを示す。
  論文  参考訳（メタデータ） (2020-06-12T00:17:59Z)

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。