論文の概要: Hierarchical Molecular Representation Learning via Fragment-Based Self-Supervised Embedding Prediction

• arxiv url: http://arxiv.org/abs/2602.20344v1
• Date: Mon, 23 Feb 2026 20:41:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.525942
• Title: Hierarchical Molecular Representation Learning via Fragment-Based Self-Supervised Embedding Prediction
• Title（参考訳）: フラグメントに基づく自己監督型埋め込み予測による階層的分子表現学習
• Authors: Jiele Wu, Haozhe Ma, Zhihan Guo, Thanh Vinh Vo, Tze Yun Leong,
• Abstract要約: グラフ自己教師型学習(GSSL)は、人間のアノテーションを必要とせず、表現力のあるグラフ埋め込みを生成する強力な可能性を示している。 GraSPNetは階層的な自己管理フレームワークで、原子レベルのセマンティクスとフラグメントレベルのセマンティクスの両方を明示的にモデル化する。 GraSPNetは化学的に意味のある表現を学習し、トランスファーラーニング設定において最先端のGSSLメソッドを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 7.459632891054827
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph self-supervised learning (GSSL) has demonstrated strong potential for generating expressive graph embeddings without the need for human annotations, making it particularly valuable in domains with high labeling costs such as molecular graph analysis. However, existing GSSL methods mostly focus on node- or edge-level information, often ignoring chemically relevant substructures which strongly influence molecular properties. In this work, we propose Graph Semantic Predictive Network (GraSPNet), a hierarchical self-supervised framework that explicitly models both atomic-level and fragment-level semantics. GraSPNet decomposes molecular graphs into chemically meaningful fragments without predefined vocabularies and learns node- and fragment-level representations through multi-level message passing with masked semantic prediction at both levels. This hierarchical semantic supervision enables GraSPNet to learn multi-resolution structural information that is both expressive and transferable. Extensive experiments on multiple molecular property prediction benchmarks demonstrate that GraSPNet learns chemically meaningful representations and consistently outperforms state-of-the-art GSSL methods in transfer learning settings.
• Abstract（参考訳）: グラフ自己教師型学習(GSSL)は、人間のアノテーションを必要とせずに表現的なグラフ埋め込みを生成する強力な可能性を示しており、特に分子グラフ解析のような高いラベル付けコストのドメインで有用である。 しかし、既存のGSSL法は主にノードレベルの情報やエッジレベルの情報に重点を置いており、しばしば分子特性に強く影響を及ぼす化学的なサブ構造を無視している。 本研究では,原子レベルのセマンティクスとフラグメントレベルのセマンティクスの両方を明示的にモデル化した階層型自己教師型フレームワークであるグラフセマンティック予測ネットワーク(GraSPNet)を提案する。 GraSPNetは、分子グラフを予め定義された語彙を使わずに化学的に意味のある断片に分解し、ノードレベルの表現とフラグメントレベルの表現を、両方のレベルでマスキングされたセマンティックな予測で多レベルメッセージパッシングを通して学習する。 この階層的なセマンティック監視により、GraSPNetは表現力と伝達性の両方を持つ多解像度構造情報を学習することができる。 複数の分子特性予測ベンチマークの大規模な実験により、GraSPNetは化学的に意味のある表現を学習し、伝達学習設定における最先端のGSSLメソッドを一貫して上回っていることが示された。

関連論文リスト

• ProtoMol: Enhancing Molecular Property Prediction via Prototype-Guided Multimodal Learning [14.289447310645878]
  ProtoMolは、モダリティ間のきめ細かい統合と一貫性のあるセマンティックアライメントを可能にするプロトタイプガイドフレームワークである。 ProtoMolは、さまざまな分子特性予測タスクにおいて、最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-19T13:19:37Z)
• Understanding the Capabilities of Molecular Graph Neural Networks in Materials Science Through Multimodal Learning and Physical Context Encoding [2.172419551358714]
  分子グラフニューラルネットワーク(GNN)は、しばしばXYZベースの幾何学的表現にのみ焦点をあてる。 この研究は、IUPAC名、分子式、物理化学的性質、同義語などのテキスト記述子を統合するマルチモーダルフレームワークを導入している。
  論文  参考訳（メタデータ） (2025-05-17T20:42:16Z)
• Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
  本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。 GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
  論文  参考訳（メタデータ） (2025-01-30T20:37:47Z)
• Contrastive Dual-Interaction Graph Neural Network for Molecular Property Prediction [0.0]
  本稿では,分子特性予測のための自己教師付きグラフニューラルネットワークフレームワークであるDIG-Molを紹介する。 DIG-Molは2つの相互接続ネットワークと運動量蒸留ネットワークを統合し、分子特性を効率的に改善する。 我々は,様々な分子特性予測タスクにおける広範囲な実験的評価により,DIG-Molの最先端性能を確立した。
  論文  参考訳（メタデータ） (2024-05-04T10:09:27Z)
• GIMLET: A Unified Graph-Text Model for Instruction-Based Molecule Zero-Shot Learning [71.89623260998934]
  本研究は,ゼロショット環境下での分子関連タスクの実現に自然言語命令を用いることの実現可能性について検討する。 既存の分子テキストモデルは、命令の不十分な処理とグラフの限られた容量のために、この設定では性能が良くない。 グラフデータとテキストデータの両方の言語モデルを統合するGIMLETを提案する。
  論文  参考訳（メタデータ） (2023-05-28T18:27:59Z)
• Motif-based Graph Representation Learning with Application to Chemical Molecules [11.257235936629689]
  既存のグラフニューラルネットワークは、局所的な構造的コンテキスト内で複雑な相互作用をキャプチャする限られた能力を提供する。 局所構造情報をよりよく活用するためのモチーフに基づくグラフ表現学習手法を提案する。 MCMは、教師なしの方法でモチーフ語彙を構築し、新しいモチーフ畳み込み操作を展開し、局所構造コンテキストを抽出する。
  論文  参考訳（メタデータ） (2022-08-09T03:37:37Z)
• Motif-based Graph Self-Supervised Learning forMolecular Property Prediction [12.789013658551454]
  グラフニューラルネットワーク(GNN)は、様々な分子生成および予測タスクにおいて顕著な成功を収めている。 既存のGNN用の自己教師付き事前トレーニングフレームワークのほとんどは、ノードレベルまたはグラフレベルのタスクのみに焦点を当てている。 GNNのための新しい自己教師型モチーフ生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-03T11:45:51Z)
• Self-supervised Graph-level Representation Learning with Local and Global Structure [71.45196938842608]
  自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。 GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。 モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
  論文  参考訳（メタデータ） (2021-06-08T05:25:38Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)
• Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
  マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。 MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。 我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
  論文  参考訳（メタデータ） (2020-05-17T04:46:07Z)

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。