論文の概要: WEECFP-SuRGE: Wide Embedded Extended Connectivity Fingerprint with Substructure Rotary Graph-distance Encoding
- arxiv url: http://arxiv.org/abs/2609.04672v1
- Date: Fri, 04 Sep 2026 03:05:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.898206
- Title: WEECFP-SuRGE: Wide Embedded Extended Connectivity Fingerprint with Substructure Rotary Graph-distance Encoding
- Title（参考訳）: WEECFP-SuRGE:サブ構造ロータリーグラフ距離符号化を用いた広埋め込み拡張接続フィンガープリント
- Abstract要約: We introduced WEECFP, a parameter-free 1024-dimensional continuous molecular fingerprint that each Morgan substructure across around 3,32 signed position of a single vector。
また,分子最短パスグラフ距離でパラメータ化されたRoPEのような回転法であるSuRGEを自己学習するトランスフォーマーアーキテクチャであるWEECFP-SuRGEを紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce WEECFP, a parameter-free 1024-dimensional continuous molecular fingerprint that scatters each Morgan substructure across roughly thirty-two signed positions of a single vector, and WEECFP-SuRGE, a transformer architecture whose self-attention applies SuRGE (Substructure Rotary Graph-distance Encoding) -- a RoPE-like rotation parameterized by molecular shortest-path graph distance -- to WEECFP substructure tokens. A 7-model blend of this architecture (the WEECFP-SuRGE Blend) achieves the lowest average regression rank on the TDC ADMET leaderboard; is #2 overall on the TDC ADMET leaderboard (behind only pretrained MapLight+GNN), and is #1 overall among methods that use no external pretraining; takes leaderboard #1 finishes on Pgp, Lipophilicity, CYP2D6 Substrate, Clearance Microsome, and LD50 (with the WEECFP-NoSuRGE Blend separately reaching #1 on HIA) across the full 22-benchmark suite -- without any external pretraining. On MoleculeNet, WEECFP-SuRGE beats every classical-fingerprint baseline on 3 of 4 regression tasks (ESOL, Lipophilicity, QM9). We further show that WEECFP tokenization is near-lossless: a greedy overlap reconstruction recovers the exact canonical SMILES of 99.9% of in-distribution molecules across 9 MoleculeNet datasets and 98.93% of molecules in a cross-dataset holdout (HIV->Lipophilicity), and that a three-reference farthest-first encoding of graph distance correlates at Pearson r = 0.901 with the true pairwise distance, enabling O(S) positional memory at matching accuracy.
- Abstract（参考訳）: パラメータフリーな1024次元連続分子指紋であるWEECFPと、自己アテンションが SuRGE (Substructure Rotary Graph-Distance Encoding) を適用した変換器アーキテクチャであるWEECFP-SuRGEを、分子短絡グラフ距離でパラメータ化したRoPE様回転(英語版) -- WEECFPサブストラクチャトークンに導入する。
このアーキテクチャの7モデルブレンド(WEECFP-SuRGE Blend)は、TDC ADMETのリーダーボードで最低平均回帰ランクを達成し、TDC ADMETのリーダーボードで全体2位(MapLight+GNNでしか事前トレーニングされていない)であり、外部事前トレーニングなしのメソッドで1位、Pgp、Lispophilicity、CYP2D6サブスタント、クリアランス・マイクロサム、LD50(WEECFP-NoSuRGE BlendがHIAでそれぞれ1位に達した)で1位である。
MoleculeNetでは、WEECFP-SuRGEが4つの回帰タスク(ESOL、Lipophilicity、QM9)のうち3つの古典的なフィンガープリントベースラインを破っている。
さらに、WEECFPのトークン化がほぼ無作為であることを示す: グレディオーバーラップ再構成は、9つの分子からなる99.9%の正準分布分子と98.93%の分子をクロスデータセットホールドアウト(HIV->Lipophilicity)で復元する。
関連論文リスト
- Scaling Parallel Sequence Models to Foundation-Scale Vision Encoders [123.58723804218151]
ビジョンファウンデーションモデルは、自己注意の二次的なコストによってボトルネックとなる。
2次元空間伝搬伝搬に基づくC-GSPNを提案する。
論文 参考訳（メタデータ） (2026-05-30T14:29:43Z) - Improved Baselines with Representation Autoencoders [61.47127824064028]
表現オートエンコーダ(RAE)は、従来のVAEを事前訓練された視覚エンコーダに置き換える。
RAEを単純化し、改善する3つの洞察が得られます。
RAEv2はオリジナルのRAEよりも10倍以上早く収束する。
論文 参考訳（メタデータ） (2026-05-18T12:42:34Z) - Efficient Hybrid CNN-GNN Architecture for Monocular Depth Estimation [0.0]
畳み込みエンコーダ・デコーダフレームワークにグラフニューラルネットワーク(GNN)を統合する単眼深度推定アーキテクチャであるGraphDepthを提案する。
我々のアプローチは、効率的なGraphSAGEレイヤをResNet-101 U-Netバックボーンの複数スケールに埋め込む。
NYU Depth V2、WHU Aerial、ETH3D、Mid-Airベンチマークの実験では、最先端のトランスフォーマーの4.6%で競合精度が示されている。
論文 参考訳（メタデータ） (2026-05-11T09:21:04Z) - R2G: A Multi-View Circuit Graph Benchmark Suite from RTL to GDSII [14.790942679912595]
R2Gは5つのステージ認識ビューを情報同値で標準化するマルチビューサーキットグラフベンチマークスイートである。
R2Gは、合成、配置、ルーティングステージにまたがるエンドツーエンドのDEF-to-graphパイプラインを提供する。
論文 参考訳（メタデータ） (2026-04-09T22:59:27Z) - Making Room for AI: Multi-GPU Molecular Dynamics with Deep Potentials in GROMACS [0.050188155804360805]
MDスループットでほぼ量子精度を追求するAI駆動の原子間ポテンシャルは、現在大きな課題となっている。
MLIPフレームワークであるDeePMD-kitをGROMACSに統合し、ドメイン分解GPU高速化推論を可能にする。
強いスケーリング効率は16デバイスで66%、32デバイスで40%、弱いスケーリング効率は80%から16デバイスで48%(MI250x)、32デバイスで40%(A100)に達する。
論文 参考訳（メタデータ） (2026-04-08T16:40:08Z) - WarPGNN: A Parametric Thermal Warpage Analysis Framework with Physics-aware Graph Neural Network [1.4476963891735688]
グラフニューラルネット(GNN)を利用した高速かつ高精度なパラメトリックサーマルウォープ解析フレームワークWarPGNNを提案する。
提案手法は2次元効率的なFEM法と比較して205.91x以上の高速化と3次元FEM法COMSOLによる1 19766.64x以上の加速を実現している。
WarPGNNは、3.69%の正規化RMSEと同様のランタイムを持つ未確認データセットに対して、顕著な転送性を示す。
論文 参考訳（メタデータ） (2026-03-19T07:40:57Z) - G-MSGINet: A Grouped Multi-Scale Graph-Involution Network for Contactless Fingerprint Recognition [20.458766184257147]
G-MSGINetは、接触レス指紋認識のための統一されたフレームワークである。
生の入力画像から直接、微妙な局所化とアイデンティティの埋め込みを共同で行う。
3つのベンチマークデータセットの大規模な実験は、G-MSGINetが97.0%から99.1%の範囲で0.83pm0.02$、ランク1の識別精度で一貫してF1スコアを達成していることを示している。
論文 参考訳（メタデータ） (2025-05-13T05:24:24Z) - How Learnable Grids Recover Fine Detail in Low Dimensions: A Neural Tangent Kernel Analysis of Multigrid Parametric Encodings [106.3726679697804]
フーリエ特徴符号化(FFE)とマルチグリッドパラメトリック符号化(MPE)の2つの手法を比較した。
MPEは低次元マッピングの標準と見なされるが、MPEはそれらを上回り、高解像度で詳細な表現を学習することが多い。
我々は,MPEが学習可能な埋め込みではなく,グリッド構造を通じてネットワークの性能を向上させることを証明した。
論文 参考訳（メタデータ） (2025-04-18T02:18:08Z) - Retrosynthetic Planning with Dual Value Networks [107.97218669277913]
我々は、PDVN(Planning with Dual Value Networks)と呼ばれる新しいオンライントレーニングアルゴリズムを提案する。
PDVNは計画段階と更新段階を交互に行い、分子の合成性とコストを予測する。
広く使われているUSPTOデータセットでは、PDVNアルゴリズムが既存のマルチステッププランナの探索成功率を改善する。
論文 参考訳（メタデータ） (2023-01-31T16:43:53Z) - EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。
EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。
提案手法はいくつかの最先端手法より一貫して優れている。
論文 参考訳（メタデータ） (2022-11-19T09:08:43Z) - Squeezeformer: An Efficient Transformer for Automatic Speech Recognition [99.349598600887]
Conformerは、そのハイブリッドアテンション・コンボリューションアーキテクチャに基づいて、様々な下流音声タスクの事実上のバックボーンモデルである。
Squeezeformerモデルを提案する。これは、同じトレーニングスキームの下で、最先端のASRモデルよりも一貫して優れている。
論文 参考訳（メタデータ） (2022-06-02T06:06:29Z)
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。