論文の概要: What drives performance in molecular MPNNs? An operator-level factorial benchmark

• arxiv url: http://arxiv.org/abs/2605.30195v1
• Date: Thu, 28 May 2026 16:34:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.538846
• Title: What drives performance in molecular MPNNs? An operator-level factorial benchmark
• Title（参考訳）: 分子MPNNのパフォーマンスを駆動する要因 : 演算子レベル因子ベンチマーク
• Authors: Panyu Jiao, Shuizhou Chen, Yiheng Shen, Yuyang Wang, Runhai Ouyang, Wei Xie,
• Abstract要約: メッセージパッシングニューラルネットワーク(MPNN)は、分子特性予測に広く使用されているが、モノリシックアーキテクチャとしてのデプロイメントによって、特定のメッセージパッシングオペレータがパフォーマンスに与える影響を特定することは困難である。 本稿では,2次元分子MPNNをメッセージシード初期化,ノードエッジ融合,ノード更新演算子の3つのファミリーに分解する演算子レベル因子ベンチマークを提案する。 この制御された設計全体において、パフォーマンスの変動は主に更新の複雑さではなく、メッセージの構成と関連付けられている。
• 参考スコア（独自算出の注目度）: 5.551252676792114
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Message-passing neural networks (MPNNs) are widely used for molecular property prediction, but their deployment as monolithic architectures makes it difficult to identify how specific message-passing operators affect performance. We present an operator-level factorial benchmark that decomposes 2D molecular MPNNs into the three families of message-seed initialization, node-edge fusion, and node update operators. The resulting 84 configurations are benchmarked on ten MoleculeNet datasets under a shared experimental setup and statistical analysis protocol. Across this controlled design, performance variation is associated primarily with message construction rather than update complexity. Message-seed initialization shows significant family-level effects for both regression and classification, node-edge fusion shows a significant family-level effect for regression with descriptive advantages for concatenation-based mixing, and the update family shows no statistically supported effect for either endpoint family. A representation probe into the Quinethazone molecule further demonstrates that concatenation-based mixing can better differentiate chemically distinct heteroatoms and withstand oversmoothing than Hadamard gating. Representative configurations selected separately for classification and regression recover competitive performance relative to established molecular graph neural network (GNN) baselines, ranking numerically best on eight of ten benchmark datasets. These empirical results are interpreted through concise mechanistic analyses of representative node-edge fusion and update operators. Our findings provide empirical design heuristics for molecular MPNNs by turning model design from a search over monolithic architectures into a targeted assessment of where and how chemical information enters the message-passing pipeline.
• Abstract（参考訳）: メッセージパッシングニューラルネットワーク(MPNN)は、分子特性予測に広く使用されているが、モノリシックアーキテクチャとしてのデプロイメントによって、特定のメッセージパッシングオペレータがパフォーマンスに与える影響を特定することは困難である。 本稿では,2次元分子MPNNをメッセージシード初期化,ノードエッジ融合,ノード更新演算子の3つのファミリーに分解する演算子レベル因子ベンチマークを提案する。 結果の84設定は、共有された実験的なセットアップと統計分析プロトコルの下で、10のMoneculeNetデータセットでベンチマークされる。 この制御された設計全体において、パフォーマンスの変動は主に更新の複雑さではなく、メッセージの構成と関連付けられている。 メッセージシードの初期化は、回帰と分類の両方に重要なファミリーレベル効果を示し、ノードエッジ融合は、結合に基づく混合に記述的優位性を持つ回帰に重要なファミリーレベル効果を示し、更新ファミリーは、どちらのエンドポイントファミリーに対しても統計的に支持された効果を示す。 キネタゾン分子への表現プローブにより、結合性に基づく混合は、化学的に異なるヘテロ原子を識別し、アダマール・ゲーティングよりも過溶化に耐えることを示した。 確立された分子グラフニューラルネットワーク(GNN)ベースラインと比較して,分類と回帰回復競争性のために別々に選択された代表構成は,10のベンチマークデータセットのうち8つで数値的にベストである。 これらの実験結果は、代表ノードエッジ融合と更新演算子の簡潔な力学解析によって解釈される。 本研究は, 分子MPNNのモデル設計をモノリシックアーキテクチャ上での探索から, 化学情報がどのようにメッセージパッシングパイプラインに入るかのターゲット評価に転換することにより, 分子MPNNに対する経験的設計ヒューリスティックスを提供する。

関連論文リスト

• Geometric Multi-color Message Passing Graph Neural Networks for Blood-brain Barrier Permeability Prediction [1.488392495573075]
  本稿では,幾何学的多色メッセージパッシンググラフニューラルネットワーク(GMC-MPNN)を提案する。 本モデルは,血液脳関門透過性を規定する空間的関係と化学的文脈を捉えるために,原子タイプに基づく重み付きカラーサブグラフを構築した。
  論文  参考訳（メタデータ） (2025-07-25T03:38:46Z)
• 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)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• 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)
• Learning Hierarchical Interaction for Accurate Molecular Property Prediction [8.488251667425887]
  Hierarchical Interaction Message Net (HimNet)は、ADMETプロファイルを予測するための新しいディープラーニングモデルである。 HimNetは、ほとんどの分子特性予測タスクにおいて、最高の、または最も近いパフォーマンスを達成する。 HimNetは、分子活性とADMET特性予測のための正確で効率的なソリューションであると考えています。
  論文  参考訳（メタデータ） (2025-04-28T15:19:28Z)
• RelGNN: Composite Message Passing for Relational Deep Learning [56.48834369525997]
  RelGNNはリレーショナルデータベースから構築されたグラフのユニークな構造特性を活用するために特別に設計された新しいGNNフレームワークである。 RelGNNは、Relbench(Fey et al., 2024)から30の多様な実世界のタスクで評価され、ほとんどのタスクで最先端のパフォーマンスを実現し、最大25%の改善を実現している。
  論文  参考訳（メタデータ） (2025-02-10T18:58:40Z)
• Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
  DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。 DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。 特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
  論文  参考訳（メタデータ） (2024-09-23T17:11:04Z)
• 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)
• Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
  グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。 MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
  論文  参考訳（メタデータ） (2020-02-26T06:10:12Z)

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。