https://libeldoc.bsuir.by/handle/123456789/63594| Title: | Графовая нейронная сеть на основе адаптивного уравнения реакции-адвекции-диффузии для задачи классификации молекулярных графов |
| Other Titles: | Graph neural network based on an adaptive reaction-advection-diffusion equation for molecular graph classification |
| Authors: | Довгий, А. С. Василевский, К. В. |
| Keywords: | материалы конференций;Big Data;информационные системы;графовые нейронные сети;уравнение реакции-адвекции-диффузии;молекулярные графы;выпуклая комбинация;обучаемое внимание |
| Issue Date: | 2026 |
| Publisher: | БГУИР |
| 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. |
| 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). |
| Alternative abstract: | 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). |
| URI: | https://libeldoc.bsuir.by/handle/123456789/63594 |
| Appears in Collections: | BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня : сборник научных статей : в 2 ч. (2026) |
| File | Description | Size | Format | |
|---|---|---|---|---|
| Dovgij_Grafovaya.pdf | 1.4 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.