論文の概要: Model Agnostic Graph Prompt Learning for Crystal Property Prediction

• arxiv url: http://arxiv.org/abs/2607.08996v1
• Date: Thu, 09 Jul 2026 23:54:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.758665
• Title: Model Agnostic Graph Prompt Learning for Crystal Property Prediction
• Title（参考訳）: 結晶特性予測のためのモデル非依存グラフプロンプト学習
• Authors: Shrimon Mukherjee, Kishalay Das, Partha Basuchowdhuri, Pawan Goyal, Niloy Ganguly,
• Abstract要約: グラフニューラルネットワークは、様々な結晶特性の高速かつ正確な予測のための強力なツールとして登場した。 本稿では,GNNに明示的に提供されていないプロパティ予測に不可欠な潜在特徴を抽出するソフトプロンプト学習フレームワークを提案する。 提案するプロンプト学習フレームワークは軽量で,既存のGNNエンコーダとシームレスに統合されている。
• 参考スコア（独自算出の注目度）: 22.088453611409182
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks have emerged as a powerful tool for the fast and accurate prediction of various crystal properties. These models often encode domain-specific knowledge into their graph encoding modules, which increases their parameter size and makes their performance heavily dependent on domain expertise. Added to this, explicitly incorporating all chemical and structural features, that might influence a specific crystal property into the GNN encoder, is a challenging task. In this work, we propose a soft prompt learning framework that captures latent features essential for property prediction, which are not explicitly provided to the GNN. We introduce a novel multilevel graph prompt learning framework comprising both node-level and graph-level soft prompts. At the node level, we capture the local chemical semantics of different atom types, while at the graph level, we encode the global structural symmetry of the crystal graph. Our proposed prompt learning framework is lightweight and seamlessly integrates with any existing GNN encoder. Extensive experiments on popular benchmark datasets show that incorporating prompt learning significantly improves (3\% - 15\%) the performance of state-of-the-art GNN models in crystal property prediction tasks. Furthermore, the learned soft prompts enable cross-property knowledge transfer, enhancing prediction performance for properties with limited training data. Code is available at https://github.com/shrimonmuke0202/Prompt.git
• Abstract（参考訳）: グラフニューラルネットワークは、様々な結晶特性の高速かつ正確な予測のための強力なツールとして登場した。 これらのモデルは、しばしばドメイン固有の知識をグラフエンコーディングモジュールにエンコードし、パラメータサイズを増大させ、そのパフォーマンスをドメインの専門知識に大きく依存させる。 さらに、GNNエンコーダに特定の結晶特性に影響を与える可能性のある、化学的および構造的特徴をすべて明示的に組み込むことは、難しい課題である。 本研究では,GNNに明示的に提供されていないプロパティ予測に不可欠な潜在的特徴を抽出するソフトプロンプト学習フレームワークを提案する。 本稿では,ノードレベルとグラフレベルの両方のソフトプロンプトからなる,新しいマルチレベルグラフプロンプト学習フレームワークを提案する。 ノードレベルでは、異なる原子型の局所的な化学意味を捉え、グラフレベルでは結晶グラフのグローバルな構造対称性を符号化する。 提案するプロンプト学習フレームワークは軽量で,既存のGNNエンコーダとシームレスに統合されている。 人気のあるベンチマークデータセットに対する大規模な実験により、結晶特性予測タスクにおける最先端のGNNモデルの性能が3\% - 15\%)向上することが示されている。 さらに、学習したソフトプロンプトは、クロスプロパティな知識伝達を可能にし、限られたトレーニングデータを持つプロパティの予測性能を向上させる。 コードはhttps://github.com/shrimonmuke0202/Prompt.gitで入手できる。

関連論文リスト

• gHAWK: Local and Global Structure Encoding for Scalable Training of Graph Neural Networks on Knowledge Graphs [1.8024397171920878]
  gHAWKは知識グラフ(KG)のためのグラフニューラルネットワーク(GNN)トレーニングフレームワーク GNNトレーニングが始まる前に、各ノードのローカルおよびグローバル構造をキャプチャする構造的特徴を事前に計算する。 gHAWKはメモリ使用量、収束率を大幅に削減し、モデルの精度を向上させる。
  論文  参考訳（メタデータ） (2025-12-09T06:08:37Z)
• LOBSTUR: A Local Bootstrap Framework for Tuning Unsupervised Representations in Graph Neural Networks [0.9208007322096533]
  グラフニューラルネットワーク(GNN)は、教師なし学習技術と組み合わせて強力なノード表現を学習するために、ますます利用されている。 教師なしグラフ表現学習におけるブートストラップ手法の適用を目的とした新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-20T19:59:35Z)
• Graph Structure Prompt Learning: A Novel Methodology to Improve Performance of Graph Neural Networks [13.655670509818144]
  グラフネットワーク(GNN)のトレーニングを強化するための新しいグラフ構造Prompt Learning法(GPL)を提案する。 GPLはタスク非依存のグラフ構造損失を利用して、GNNが下流タスクを同時に解決しながら固有のグラフ特性を学習することを奨励している。 11の実世界のデータセットの実験では、ニューラルネットワークによってトレーニングされた後、GNNはノード分類、グラフ分類、エッジタスクにおいて、元のパフォーマンスを大幅に上回った。
  論文  参考訳（メタデータ） (2024-07-16T03:59:18Z)
• Learning Scalable Structural Representations for Link Prediction with Bloom Signatures [39.63963077346406]
  グラフニューラルネットワーク(GNN)は、リンク予測タスクでサブ最適に実行されることが知られている。 本稿では,Bloomシグネチャを用いたGNNのメッセージパッシングフレームワークを拡張し,構造的リンク表現の学習を提案する。 提案モデルでは,既存のエッジワイドGNNモデルと同等あるいは優れた性能を実現している。
  論文  参考訳（メタデータ） (2023-12-28T02:21:40Z)
• Substitutional Alloying Using Crystal Graph Neural Networks [0.0]
  グラフニューラルネットワーク(GNN)は、結晶によって形成されるグラフの直接学習表現を可能にする。 CGNNを用いてDFTレベルの精度で結晶特性を予測し、原子(ノード/頂点)、結合(エッジ)、大域状態の属性を符号化したグラフを通して予測する。 我々はDFT検証を行い、生成エネルギーと構造特性の予測精度を評価する。
  論文  参考訳（メタデータ） (2023-06-19T08:18:17Z)
• Gradient Gating for Deep Multi-Rate Learning on Graphs [62.25886489571097]
  グラフニューラルネットワーク(GNN)の性能向上のための新しいフレームワークであるグラディエントゲーティング(G$2$)を提案する。 我々のフレームワークは,GNN層の出力を,基盤となるグラフのノード間でのメッセージパッシング情報のマルチレートフローのメカニズムでゲーティングすることに基づいている。
  論文  参考訳（メタデータ） (2022-10-02T13:19:48Z)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)
• Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
  我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。 我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-29T19:55:12Z)
• Graph Neural Networks with Learnable Structural and Positional Representations [83.24058411666483]
  任意のグラフの大きな問題は、ノードの標準位置情報の欠如である。 ノードの位置ノード(PE)を導入し、Transformerのように入力層に注入する。 両方のGNNクラスで学習可能なPEを考えると、分子データセットのパフォーマンスは2.87%から64.14%に向上する。
  論文  参考訳（メタデータ） (2021-10-15T05:59:15Z)
• Bag of Tricks for Training Deeper Graph Neural Networks: A Comprehensive Benchmark Study [100.27567794045045]
  ディープグラフニューラルネットワーク(GNN)のトレーニングは、非常に難しい。 我々は、深層GNNの「トリック」を評価するための最初の公正かつ再現可能なベンチマークを示す。
  論文  参考訳（メタデータ） (2021-08-24T05:00:37Z)

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。