論文の概要: LatentFlow: Visual Analytics for Latent Space Analysis in Molecular Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2607.21941v1
• Date: Fri, 24 Jul 2026 03:33:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.039236
• Title: LatentFlow: Visual Analytics for Latent Space Analysis in Molecular Graph Neural Networks
• Title（参考訳）: LatentFlow: 分子グラフニューラルネットワークにおける潜時空間解析のためのビジュアル分析
• Authors: Shiyi Liu, Jiaqing Chen, Nicholas Hadler, Rostyslav Hnatyshyn, Michael W. Mahoney, Talita Perciano, John F. Hartwig, Gunther H. Weber, Ross Maciejewski,
• Abstract要約: 分子GNNにおける潜伏空間を解析するための領域エキスパートと共同で開発した視覚解析システムであるLatentFlowを提案する。 LatentFlowグループはクラスタに埋め込み、これらのクラスタが層やモデル状態間でどのように変化するかを追跡することで、潜在空間の探索をサポートする。 その結果、LatentFlowは、潜在空間がどのように進化するか、意味のある分子パターンを識別し、より優れた解釈モデル行動を理解するのに役立ちます。
• 参考スコア（独自算出の注目度）: 39.1917616708589
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chemists and materials scientists increasingly use machine learning models, such as graph neural networks (GNNs), to predict properties of molecules and the outcomes of their reactions. Beyond predictive performance, understanding how these models organize chemical information internally in their latent spaces, i.e., the embeddings of the molecules, is critical. Analyzing latent spaces helps diagnose model behavior and assess whether the learned embeddings are organized in ways that reflect meaningful chemical relationships. Unfortunately, existing methods provide limited support for analyzing latent spaces across layers and across different model states (e.g., training epochs, model configurations, and input data), making it difficult to understand how these latent spaces evolve throughout a model or relate to chemical concepts. We present LatentFlow, a visual analytics system developed in collaboration with a domain expert for analyzing latent spaces in molecular GNNs. LatentFlow groups embeddings into clusters and supports exploration of latent spaces by tracking how these clusters change across layers and model states using a modified Sankey diagram. To support interpretation, LatentFlow links these clusters to representative molecules and their shared substructures, and it allows scientists to introduce their own domain knowledge and compare it with the patterns found in the latent spaces. We evaluate LatentFlow through two case studies. The results show that LatentFlow helps scientists understand how latent spaces evolve, identify meaningful molecular patterns, and better interpret model behavior.
• Abstract（参考訳）: 化学者や材料科学者は、グラフニューラルネットワーク(GNN)のような機械学習モデルを使用して、分子の性質と反応の結果を予測する。 予測性能以外にも、これらのモデルが潜在空間、すなわち分子の埋め込みの内部でどのように化学情報を整理するかを理解することは重要である。 潜在空間の分析は、モデルの振る舞いを診断し、学習された埋め込みが有意義な化学的関係を反映する方法で組織化されているかどうかを評価するのに役立つ。 残念なことに、既存の手法では、レイヤや異なるモデル状態(例えば、トレーニングエポック、モデル構成、入力データ)をまたいだ遅延空間を解析するための限定的なサポートを提供しています。 分子GNNにおける潜伏空間を解析するための領域エキスパートと共同で開発した視覚解析システムであるLatentFlowを提案する。 LatentFlowグループはクラスタに埋め込み、修正されたSankeyダイアグラムを使用して、これらのクラスタが層やモデル状態にわたってどのように変化するかを追跡することで、潜在空間の探索をサポートする。 解釈をサポートするために、LatentFlowはこれらのクラスターを代表分子とその共有サブ構造にリンクし、科学者が自身のドメイン知識を導入し、潜在空間にあるパターンと比較することができる。 latentFlowの2症例について検討した。 その結果、LatentFlowは、潜在空間がどのように進化するか、意味のある分子パターンを識別し、より優れた解釈モデル行動を理解するのに役立ちます。

関連論文リスト

• Molecular Representations in Implicit Functional Space via Hyper-Networks [53.70982267248536]
  分子学習は関数空間における学習として定式化することができる。 分子場上の分布を学習するハイパーネットワークベースのフレームワークであるMollFieldを用いて、この定式化をインスタンス化する。 分子を連続関数として扱うことは、分子表現がタスク全体にわたって一般化する方法を根本的に変えることを示す。
  論文  参考訳（メタデータ） (2026-01-29T21:13:37Z)
• Fragment-Wise Interpretability in Graph Neural Networks via Molecule Decomposition and Contribution Analysis [0.9217021281095907]
  SEAL(Substructure Explanation via Attribution Learning)は、モデル予測を意味のある分子サブグラフに属性付ける、新しい解釈可能なグラフニューラルネットワークである。 SEALは入力グラフを化学的に関連する断片に分解し、出力に対する因果的影響を推定する。
  論文  参考訳（メタデータ） (2025-08-20T19:15:53Z)
• Molecular Graph Representation Learning via Structural Similarity Information [11.38130169319915]
  我々は新しい分子グラフ表現学習法である textbf Structure similarity Motif GNN (MSSM-GNN) を紹介する。 特に,分子間の類似性を定量的に表現するために,グラフカーネルアルゴリズムを利用した特殊設計グラフを提案する。 我々はGNNを用いて分子グラフから特徴表現を学習し、追加の分子表現情報を組み込むことで特性予測の精度を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-09-13T06:59:10Z)
• Multi-channel learning for integrating structural hierarchies into context-dependent molecular representation [10.025809630976065]
  本稿では,より堅牢で一般化可能な化学知識を学習する,新しい事前学習フレームワークを提案する。 提案手法は,種々の分子特性ベンチマークにおける競合性能を示す。
  論文  参考訳（メタデータ） (2023-11-05T23:47:52Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
  グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。 本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
  論文  参考訳（メタデータ） (2022-07-25T11:30:44Z)
• ASGN: An Active Semi-supervised Graph Neural Network for Molecular Property Prediction [61.33144688400446]
  本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。 教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。 最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:22:39Z)

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。