論文の概要: Topology-Aware Multiscale Mixture of Experts for Efficient Molecular Property Prediction

• arxiv url: http://arxiv.org/abs/2601.12637v1
• Date: Mon, 19 Jan 2026 00:54:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.717134
• Title: Topology-Aware Multiscale Mixture of Experts for Efficient Molecular Property Prediction
• Title（参考訳）: 効率的な分子特性予測のためのトポロジーに配慮したエキスパートのマルチスケール混合
• Authors: Long D. Nguyen, Kelin Xia, Binh P. Nguyen,
• Abstract要約: 幾何距離にわたる相互作用モデリングに適応するために,MI-MoE(Multiscale Interaction Mixture of Experts)を提案する。 我々は,(1)単一カットオフにコミットすることなく,短距離,中距離,長距離の相互作用を明示的にキャプチャする距離カットの専門家アンサンブル,(2)持続的ホモロジー特徴を含むフィルタベースの記述子を用いて,専門家に入力をルーティングするトポロジ的ゲーティングエンコーダを設計し,(3)MI-MoEは,多種多様な分子および高分子特性予測ベンチマークデータセットにわたって,複数の強力な3D分子バックボーンを一貫して改善するプラグインモジュールであることを示す。
• 参考スコア（独自算出の注目度）: 4.631359750094176
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Many molecular properties depend on 3D geometry, where non-covalent interactions, stereochemical effects, and medium- to long-range forces are determined by spatial distances and angles that cannot be uniquely captured by a 2D bond graph. Yet most 3D molecular graph neural networks still rely on globally fixed neighborhood heuristics, typically defined by distance cutoffs and maximum neighbor limits, to define local message-passing neighborhoods, leading to rigid, data-agnostic interaction budgets. We propose Multiscale Interaction Mixture of Experts (MI-MoE) to adapt interaction modeling across geometric regimes. Our contributions are threefold: (1) we introduce a distance-cutoff expert ensemble that explicitly captures short-, mid-, and long-range interactions without committing to a single cutoff; (2) we design a topological gating encoder that routes inputs to experts using filtration-based descriptors, including persistent homology features, summarizing how connectivity evolves across radii; and (3) we show that MI-MoE is a plug-in module that consistently improves multiple strong 3D molecular backbones across diverse molecular and polymer property prediction benchmark datasets, covering both regression and classification tasks. These results highlight topology-aware multiscale routing as an effective principle for 3D molecular graph learning.
• Abstract（参考訳）: 多くの分子特性は3次元幾何学に依存しており、非共有相互作用、立体化学効果、中から長距離の力は空間距離と2次元結合グラフで一意に捉えられない角度によって決定される。 しかし、ほとんどの3D分子グラフニューラルネットワークは、通常は距離カットオフと最大近傍制限によって定義される、グローバルに固定された近所のヒューリスティックに依存しており、局所的なメッセージパッシング地区を定義し、堅固でデータに依存しない相互作用予算を生み出している。 幾何学的レシエーションにまたがる相互作用モデリングに適応するために、MI-MoE(Multiscale Interaction Mixture of Experts)を提案する。 我々は,(1)単一カットオフにコミットすることなく,短距離,中距離,長距離の相互作用を明示的にキャプチャする距離カットの専門家アンサンブル,(2)持続的ホモロジー特徴を含むフィルタベースの記述子を用いて,専門家に入力をルーティングするトポロジ的ゲーティングエンコーダを設計し,(3)MI-MoEは,多種多様な分子特性および高分子特性予測ベンチマークのベンチマークにおいて,複数の強力な3次元分子バックボーンを一貫して改善するプラグインモジュールであることを示す。 これらの結果は3次元分子グラフ学習の有効な原理としてトポロジを意識したマルチスケールルーティングに注目した。

関連論文リスト

• Learning the Neighborhood: Contrast-Free Multimodal Self-Supervised Molecular Graph Pretraining [21.71848826907517]
  C-FREE(Contrast-Free Representation Learning on Ego-nets)は,2次元グラフと3次元コンバータのアンサンブルを統合するシンプルなフレームワークである。 C-FREEは、潜在空間内の相補的な近傍から部分グラフの埋め込みを予測することによって分子表現を学ぶ。 C-FREE State-of-the-art results on MoleculeNet。
  論文  参考訳（メタデータ） (2025-09-26T15:16:20Z)
• 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)
• Multi-Level Fusion Graph Neural Network for Molecule Property Prediction [8.629821238312621]
  グラフアテンションネットワークと新しいグラフ変換器を統合したマルチレベルフュージョングラフニューラルネットワーク(MLFGNN)を提案する。 複数のベンチマークデータセットの実験により、MLFGNNは、分類タスクと回帰タスクの両方において、最先端のメソッドを一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2025-07-04T09:38:19Z)
• DualEquiNet: A Dual-Space Hierarchical Equivariant Network for Large Biomolecules [32.33126287600196]
  このネットワークはユークリッド空間と球面高調波空間の相補表現を構築し、局所幾何学と大域対称性を考慮した特徴を捉える。 DualEquiNetはRNA特性予測とタンパク質モデリングのための複数の既存のベンチマークで最先端のパフォーマンスを達成し、新しく導入された2つの3D構造ベンチマークで先行手法より優れている。
  論文  参考訳（メタデータ） (2025-06-10T07:43:50Z)
• Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric GNNs [66.98487644676906]
  我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。 幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。 また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
  論文  参考訳（メタデータ） (2024-09-26T08:16:59Z)
• NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One Go [109.88509362837475]
  入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。 NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。 異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
  論文  参考訳（メタデータ） (2021-06-17T12:25:44Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• ATOM3D: Tasks On Molecules in Three Dimensions [91.72138447636769]
  近年、深層ニューラルネットワークが注目されている。 本稿では,生物分子のいくつかの重要なクラスにまたがる新しいデータセットと既存のデータセットのコレクションであるATOM3Dを紹介する。 これらのタスクごとに3次元の分子学習ネットワークを開発し、パフォーマンスを一貫して改善します。
  論文  参考訳（メタデータ） (2020-12-07T20:18:23Z)
• Disentangling and Unifying Graph Convolutions for Skeleton-Based Action Recognition [79.33539539956186]
  本稿では,マルチスケールグラフ畳み込みと,G3Dという空間時間グラフ畳み込み演算子を結合する簡単な方法を提案する。 これらの提案を結合することにより,MS-G3Dという強力な特徴抽出器を開発し,そのモデルが3つの大規模データセット上で従来の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-31T11:28:25Z)

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。