論文の概要: Multi-View Molecular Representation Learning with Hierarchical Graphs and Contextualized Fingerprints
- arxiv url: http://arxiv.org/abs/2609.15611v1
- Date: Mon, 14 Sep 2026 14:07:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.430759
- Title: Multi-View Molecular Representation Learning with Hierarchical Graphs and Contextualized Fingerprints
- Title（参考訳）: 階層グラフと文脈化フィンガープリントを用いた多視点分子表現学習
- Abstract要約: HiFi-Molは、階層的なグラフエンコーダと、下流の統合前にコンテキスト化された指紋エンコーダを事前訓練するマルチビューフレームワークである。
微調整中、HiFi-Molは、マルチレゾリューショングラフ機能と、下流の予測のための指紋埋め込みを組み合わせた。
- 参考スコア（独自算出の注目度）: 2.7742696928124917
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Molecular property prediction requires representations that generalize from limited labeled data to structurally novel compounds. Existing molecular pretraining methods often rely on a single view: graph-based approaches model atom-bond topology but provide limited fragment-level supervision, whereas fingerprint descriptors encode chemical patterns but are typically used as fixed auxiliary features. We propose HiFi-Mol, a multi-view framework that separately pretrains a hierarchical graph encoder and a contextualized fingerprint encoder before downstream integration. The graph branch uses fragment-aware masking with multi-resolution supervision to capture substructure-aware representations, while the fingerprint branch tokenizes active entries from seven fingerprint families and applies masked language modeling to learn contextualized embeddings. During fine-tuning, HiFi-Mol combines projected multi-resolution graph features with fingerprint embeddings for downstream prediction. Evaluated on MoleculeNet benchmarks under the scaffold split, HiFi-Mol achieves a 2.77% improvement in average ROC-AUC over the best baseline across eight classification tasks while maintaining competitive performance on three regression tasks. Further analyses reveal that fragment-aware masking improves graph representation quality, and classification results demonstrate dataset-dependent strengths of the individual graph and fingerprint variants, confirming that the two views provide complementary predictive signals.
- Abstract（参考訳）: 分子特性予測は、限られたラベル付きデータから構造的に新しい化合物へと一般化する表現を必要とする。
グラフベースのアプローチは原子結合トポロジーをモデル化するが、断片レベルの監督は限られている。
下流統合の前に階層型グラフエンコーダとコンテキスト型指紋エンコーダを個別に事前学習する多視点フレームワークであるHiFi-Molを提案する。
グラフブランチは、サブストラクチャ・アウェアの表現をキャプチャするためにマルチレゾリューション・インスペクションを備えたフラグメント・アウェア・マスキングを使用し、フィンガーブランチは7つのフィンガーファミリからのアクティブエントリをトークン化し、マスク付き言語モデリングを適用してコンテキスト化された埋め込みを学習する。
微調整中、HiFi-Molは、マルチレゾリューショングラフ機能と、下流の予測のための指紋埋め込みを組み合わせた。
HiFi-Molは8つの分類タスクにまたがって平均ROC-AUCを2.77%改善し、3つの回帰タスクの競争性能を維持している。
さらに分析した結果, フラグメント認識マスキングによりグラフ表現の質が向上し, 分類結果は個々のグラフと指紋の差分によるデータセット依存的な強度を示し, 2つのビューが相補的な予測信号を提供することを確認した。
関連論文リスト
- Text-Guided Visual Dependency Graph Learning with Cross-Modal Attention Priors [11.338098263634537]
本稿では,視覚言語表現学習とスパースガウスモデルを橋渡しするフレームワークであるCM-GLassoを提案する。
CM-GLassoは、画像としてクラス属性記述を描画して処理するテキスト視覚化戦略(i)、天然画像としてSigLIP-2ビジョンエンコーダ(ii)、高次元パッチを小さなセマンティックグラフノードに凝縮するクロスアテンション蒸留機構(ii)、共有およびクラス固有精度コンポーネントを単一の凸対象内で推定する共同ADMM定式化(iii)、の3つの主要なコンポーネントを導入している。
論文 参考訳（メタデータ） (2026-08-19T09:57:34Z) - UoU: A Universal Fingerprint Foundation Model Based on Large-Scale Unsupervised Learning [26.659951781434017]
大規模なtextbfUnsupervised learning を用いたtextbfUniversal fingerprint foundation model を略した UoU を提案する。
UoUは、画像復元、構造フィールド、セマンティックトークン、ポイントレベルの生体認証エンティティ、コンパクトなグローバルディスクリプタにまたがる多層表現階層を中心に構成されている。
指紋画像を汎用的なテクスチャとして扱うのではなく、UoUはドメイン固有の対称性と中間構造を利用する。
論文 参考訳（メタデータ） (2026-06-16T02:37:40Z) - Rethinking Feature Alignment in Generalist Graph Anomaly Detection: A Relational Fingerprint-based Approach [60.199985286210904]
Generalist Graph Anomaly Detection (GAD)は、グラフ固有のリトレーニングなしで、見えないグラフ上の異常を検出することを目的としている。
既存のアプローチは主に、異なる機能セマンティクスを無視したドメイン間の異種データの整合性に焦点を当てている。
We propose Fingerprint-based generalist GAD approach (ReFi-GAD)。
ReFi-GADは14のデータセットの実験において,最先端の手法よりも有意に優れていることを示す。
論文 参考訳（メタデータ） (2026-05-25T05:12:26Z) - Multi-level Self-supervised Pretraining on Compositional Hierarchical Graph for Molecular Property Prediction [0.5097809301149341]
MolCHGは、新しい構成階層グラフ上に構築された多層自己教師型事前学習フレームワークである。
我々のアーキテクチャは、独立に進化するノード表現に結合レベル情報を高める。
9つのMoleculeNetベンチマークの実験では、7つのデータセットでMoleculeGが最高のパフォーマンスを達成している。
論文 参考訳（メタデータ） (2026-05-15T15:47:11Z) - 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) - 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) - Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。
また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。
本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
論文 参考訳（メタデータ） (2024-10-13T02:22:14Z) - A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。
我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。
GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
論文 参考訳（メタデータ） (2024-06-19T22:30:08Z) - Multi-View Graph Representation Learning Beyond Homophily [2.601278669926709]
非教師付きグラフ表現学習(GRL)は,多種多様なグラフ情報をラベル管理なしでタスクに依存しない埋め込みに抽出することを目的としている。
MVGE(Multi-view Graph)と呼ばれる新しいフレームワークを提案し、キーデザインのセットを特定した。
論文 参考訳（メタデータ） (2023-04-15T08:35:49Z) - Representing Videos as Discriminative Sub-graphs for Action Recognition [165.54738402505194]
ビデオ中の各アクションの識別パターンを表現およびエンコードするためのサブグラフの新たな設計を提案する。
時空グラフとクラスタを各スケールでコンパクトなサブグラフに新たに構築するMUlti-scale Sub-Earn Ling (MUSLE) フレームワークを提案する。
論文 参考訳（メタデータ） (2022-01-11T16:15:25Z) - Structural Information Preserving for Graph-to-Text Generation [59.00642847499138]
グラフ・トゥ・テキスト生成の課題は、入力グラフの意味を保存した文を生成することである。
入力情報を保存するためのモデルとして,より豊かなトレーニング信号を活用することで,この問題に取り組むことを提案する。
グラフからテキストへの生成のための2つのベンチマークに関する実験は、最先端のベースラインに対するアプローチの有効性を示しています。
論文 参考訳（メタデータ） (2021-02-12T20:09:01Z)
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。