| DC Field | Value | Language |
|---|
| dc.contributor.author | Довгий, А. С. | - |
| dc.contributor.author | Василевский, К. В. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2026-05-07T06:14:00Z | - |
| dc.date.available | 2026-05-07T06:14:00Z | - |
| dc.date.issued | 2026 | - |
| dc.identifier.citation | Довгий, А. С. Графовая нейронная сеть на основе адаптивного уравнения реакции-адвекции-диффузии для задачи классификации молекулярных графов = Graph neural network based on an adaptive reaction-advection-diffusion equation for molecular graph classification / А. С. Довгий, К. В. Василевский // Big Data и анализ высокого уровня = Big Data and Advanced Analytics : сборник научных статей XII Международной научно-практической конференции, Республика Беларусь, Минск, 23 апреля 2026 года : в 2 ч. Ч. 2 / Белорусский государственный университет информатики и радиоэлектроники [и др.] ; редкол.: В. А. Богуш [и др.]. – Минск, 2026. – С. 324–334. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/63594 | - |
| dc.description.abstract | Предложена архитектура GRADE (Graph Reaction-Advection-Diffusion Equation) -
графовая нейронная сеть, моделирующая непрерывную динамику представлений вершин графа как решение
полного уравнения реакции-адвекции-диффузии. Архитектура расширяет CDE-GRAND четырьмя основными
нововведениями: (1) выпуклая комбинация и адвекции и диффузии вместо фиксированной диффузии с
модулируемой конвекцией; (2) обучаемый коэффициент внимания в диффузионном члене; (3) гейтированный
реакционный член; (4) обучаемое анизотропное RBF-ядро с обучаемым вектором весов. Экспериментальная
валидация на задаче многозадачной бинарной классификации молекулярных графов ogbg-moltox21 (12 ассеев
токсичности, 7831 молекула) демонстрирует ROC-AUC 0,745 для GRADE, что превосходит GCN (0,734),
GRAND (0,725) и CDE-GRAND (0,725). | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | Big Data | en_US |
| dc.subject | информационные системы | en_US |
| dc.subject | графовые нейронные сети | en_US |
| dc.subject | уравнение реакции-адвекции-диффузии | en_US |
| dc.subject | молекулярные графы | en_US |
| dc.subject | выпуклая комбинация | en_US |
| dc.subject | обучаемое внимание | en_US |
| dc.title | Графовая нейронная сеть на основе адаптивного уравнения реакции-адвекции-диффузии для задачи классификации молекулярных графов | en_US |
| dc.title.alternative | Graph neural network based on an adaptive reaction-advection-diffusion equation for molecular graph classification | en_US |
| dc.type | Article | en_US |
| local.description.annotation | The GRADE (Graph Reaction-Advection-Diffusion Equation) architecture is proposed - a graph
neural network that models the continuous dynamics of node representations in a graph as the solution of the full
reaction-advection-diffusion equation. The architecture extends CDE-GRAND with four key innovations: (1) a
convex combination of both advection and diffusion instead of fixed diffusion with modulated convection; (2) a
learnable attention coefficient in the diffusion term; (3) a gated reaction term; (4) a learnable anisotropic RBF kernel
with a learnable weight vector. Experimental validation on the multitask binary classification problem for molecular
graphs ogbg-moltox21 (12 toxicity assays, 7,831 molecules) demonstrates a ROC-AUC of 0.745 for GRADE, which
surpasses GCN (0.734), GRAND (0.725), and CDE-GRAND (0.725). | en_US |
| Appears in Collections: | BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня : сборник научных статей : в 2 ч. (2026)
|
