분자 표현 학습은 약물 발견 및 분자 물성 예측에서 주요 관심 분야이다. 선행 연구들에서는 분자를 그래프로 모델링하여, 그래프 신경망(GNNs)이 핵심적인 구조 정보를 포착할 수 있도록 하였다. 최근의 접근법들은 노드에서 서브그래프로 과립도(granularity)를 확장하는 것, 마스킹 위치를 전환하는 것, 하위 과제(downstream)에서 마스킹을 적용하는 것과 같은 고도화된 마스킹 전략을 도입함으로써 분자 표현을 개선하였다. 그러나 이러한 전략들에 대한 포괄적인 분석은 여전히 제한적이다. 본 연구에서는 다양한 단계, 과립도, 위치, 특징 유형, 비율 전반에 걸쳐 마스킹 기법을 체계적으로 평가한다. 연구 결과, 사전 학습(pre-training) 동안의 노드 특징(feature) 마스킹이 높은 성능을 달성하는 반면, 풍부한 특징은 이득을 감소시킬 수 있으며, 널리 사용되는 25% 마스킹 비율은 모든 데이터셋에서 보편적으로 최적이 아니고 데이터셋에 따라 다른 비율이 더 나은 성능을 보였다. 본 연구는 분자 그래프에서 마스킹 기법의 이점에 대한 더 깊은 통찰을 제공하며, 그래프 기반 학습에서 의미 이해(semantic understanding)와 예측 정확도를 향상시킬 잠재성을 강조한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.