論文の概要: Atom-Wise Allocation of Message-Passing Scale for Molecular Property Prediction

• arxiv url: http://arxiv.org/abs/2611.02277v1
• Date: Sun, 01 Nov 2026 23:02:20 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:49:34.518836
• Title: Atom-Wise Allocation of Message-Passing Scale for Molecular Property Prediction
• Title（参考訳）: 分子特性予測のためのメッセージパージング尺度の原子幅割当
• Abstract要約: PRISMは各原子の符号化された特徴が有界スカラーを生成し、保持されたメッセージパス状態に対して一様分布を配置する。 プロファイル全体を調整するため、割り当てられた深さは、クローズドな形でルーティングスカラーに応答する。 3次元座標のないスクラッチから訓練されたPRISMは、水溶性および水和自由エネルギーの最小平均誤差を達成する。
• 参考スコア（独自算出の注目度）: 21.56537603537534
• License:
• Abstract: Molecular properties depend on chemical structure at different ranges, from local polar groups governing solvation to extended substructures shaping bioactivity, yet graph neural networks usually fix one propagation scale for every atom. We present PRISM (Per-atom Routing over Intermediate States of Message Passing), in which each atom's encoded features produce a bounded scalar that positions a unimodal distribution over retained message-passing states and matching circular-fingerprint radii. Because one coordinate translates the whole profile, allocated depth responds to the routing scalar in closed form: at fixed temperature it is nondecreasing, its sensitivity scales with the profile variance, and it saturates in the clipped regions. Beyond providing closed-form analyzability, this constrained one-parameter profile matches or significantly outperforms parameter-matched, unconstrained node-wise gates and Jumping Knowledge attention. Under scaffold partitions with equal tuning budgets against eight graph, fingerprint, and geometric baselines, PRISM trained from scratch without three-dimensional coordinates achieves the lowest mean error on aqueous solubility and hydration free energy and strong accuracy on BACE and BBBP. As a general layer-combination rule, PRISM transfers directly to GCN, GIN, and GAT backbones, reducing hydration free energy error by up to 29% relative to last-layer readout. Applied to a pre-trained GIN, it improves on last-layer readout on four of six endpoints and gives the lowest lipophilicity error overall. In trained models, allocated depth differs systematically between atom types in a task-dependent way, and permuting profiles among a molecule's atoms raises prediction error on several endpoints, so the rule acts as a learned counterpart of atom typing.
• Abstract（参考訳）: 分子の性質は、溶媒を統治する局所極性基から、生物活性を形成する拡張サブ構造まで、様々な範囲の化学構造に依存するが、グラフニューラルネットワークは通常、各原子の1つの伝播スケールを固定する。 PRISM(Per-atom Routing over Intermediate States of Message Passing)では、各原子の符号化された特徴が有界スカラーを生成し、保持されたメッセージパス状態と一致する円形フィンガープリントラジイに一様分布を配置する。 1つの座標がプロファイル全体を変換するため、割り当てられた深さはルーティングスカラーに閉じた形で応答し、固定温度では非減少し、その感度はプロファイルの分散とともにスケールし、切断された領域で飽和する。 クローズドフォームのアナライザビリティを提供する以外に、この制約付き1パラメータプロファイルマッチングはパラメータマッチング、制約なしノードワイドゲート、ジャンプングナレッジの注意を著しく上回る。 8つのグラフ, 指紋, 幾何学的ベースラインに対する等調予算を持つ足場分割の下では, 3次元座標を使わずにスクラッチから訓練したPRISMは, 水溶性および水和自由エネルギーおよびBACEおよびBBBPの強い精度で最低平均誤差を達成している。 一般的な層結合法則として、PRISMはGCN、GIN、GATのバックボーンに直接変換し、最終層読み込みと比較して水和自由エネルギー誤差を最大29%低減する。 事前訓練されたGINに適用されたGINは、6つのエンドポイントのうち4つの最終層読み出しを改善し、全体として最も低い脂肪分解誤差を与える。 訓練されたモデルでは、割り当てられた深さはタスク依存的な方法で原子タイプ間で体系的に異なり、分子の原子間のプロファイルの置換はいくつかのエンドポイントで予測エラーを生じさせるため、規則は原子タイピングの学習された形式として機能する。

関連論文リスト

• Where the Error Lives: Spectral Representations of Learned Kohn-Sham Hamiltonians [40.753044440338094]
  機械学習型ハミルトンモデルはコーン=シャム密度汎関数理論のショートカットを提供する。 これらのモデルは、基準行列のエントリをエントリごとに一致させるよう訓練されているが、小さなエントリーワイドエラーは正確な固有値や固有ベクトルを保証しない。 我々は、基準ハミルトニアンの固有基底における予測誤差を表現することにより、それぞれが誤差の一部しか見えず、予測された軌道エネルギーのシフトが電子密度を全く変化しないことを示す。
  論文  参考訳（メタデータ） (2026-10-27T18:53:03Z)
• Microscopically informed self-consistent multi-resolvent closure for dense many-body spectra [1.751364577113718]
  密集多体スペクトルの多値階層は高次スペクトル-重み相関を符号化する。 近似有限パラメータ閉包から正確な代数的階層を分離する多解自己整合方程式を導入する。
  論文  参考訳（メタデータ） (2026-10-20T11:20:23Z)
• Born-Oppenheimer, Born-Huang, and exact factorization: quantum geometry and error in analytically transparent benchmark models [0.0]
  ポテンシャルエネルギー面」はいくつかの異なる物体を指す。 我々は、許容質量比と結合度毎にこれらのエネルギーの基底状態順序を証明した。 励起状態まで均一に拡張しない理由を示す。
  論文  参考訳（メタデータ） (2026-08-09T12:22:10Z)
• HyperTopo-Adapters: Geometry- and Topology-Aware Segmentation of Leaf Lesions on Frozen Encoders [0.14323566945483493]
  葉配列のセグメンテーションはトポロジーに敏感であり、小さなマージ、分裂、または偽の穴は生化学経路の有意義な記述である。 HyperTopo-Adaptersは、凍結した視覚エンコーダの上で訓練された軽量でパラメータ効率のよいヘッドだ。 初期の結果は、Kaggleのリーフ-レセオンデータセット上で境界とトポロジーのメトリクスが一貫した増加を示している。
  論文  参考訳（メタデータ） (2025-12-29T04:27:26Z)
• A general optimization framework for mapping local transition-state networks [0.0]
  局所遷移状態ネットワークは、観測された振る舞いを説明する障壁アーキテクチャを明らかにする。 本稿では,多目的エクスプローラーと二層最小モードカーネルを結合することにより,局所的カバレッジを体系的に拡張する汎用最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-30T13:54:10Z)
• QuTE: decentralized multiple testing on sensor networks with false discovery rate control [93.1040521878626]
  本稿では、偽発見率(FDR)の証明可能な保証を備えたグラフ上での分散多重仮説検定法を設計する。 異なるエージェントが無向グラフのノードに存在し、各エージェントはそのノードに局所的な1つ以上の仮説に対応するp値を持つ。 各エージェントは、グラフ全体の大域的FDRが予め定義されたレベルで制御されなければならないという共同目的のもと、隣人とのみ通信することで、それぞれのローカル仮説の1つ以上の拒絶を個別に決めなければならない。
  論文  参考訳（メタデータ） (2022-10-09T19:48:39Z)
• On the Effective Number of Linear Regions in Shallow Univariate ReLU Networks: Convergence Guarantees and Implicit Bias [50.84569563188485]
  我々は、ラベルが$r$のニューロンを持つターゲットネットワークの符号によって決定されるとき、勾配流が方向収束することを示す。 我々の結果は、標本サイズによらず、幅が$tildemathcalO(r)$である、緩やかなオーバーパラメータ化をすでに維持しているかもしれない。
  論文  参考訳（メタデータ） (2022-05-18T16:57:10Z)
• Mean-field Analysis of Piecewise Linear Solutions for Wide ReLU Networks [83.58049517083138]
  勾配勾配勾配を用いた2層ReLUネットワークについて検討する。 SGDは単純な解に偏りがあることが示される。 また,データポイントと異なる場所で結び目が発生するという経験的証拠も提供する。
  論文  参考訳（メタデータ） (2021-11-03T15:14:20Z)
• Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity [52.67037774136973]
  薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。 近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。 ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
  論文  参考訳（メタデータ） (2021-07-21T03:34:09Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)

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。