本研究提出了一种新方法，通过定义节点影响半径，提升三维几何图神经网络在分子数据建模中的可解释性和可靠性。

本研究提出了一种新颖的自监督方法——等变掩蔽位置预测（EMPP），旨在提升图神经网络在分子数据稀缺情况下对物理和化学原理的理解能力。实验结果显示，EMPP显著提高了分子结构的性能。

我们提出了一种新生成模型，通过建模数据点的状态和维度，处理不同维度的数据。该模型基于跳跃扩散过程，定义了前向噪声过程，并导出了时序反转生成过程。通过模拟，我们有效地联合生成状态和维度，展示了在分子和视频数据集上的优越性能。

本研究介绍了一种名为MGSSL的基于图形的分子数据自我监督学习方法，通过自生成基元的预训练框架，捕获分子图中的丰富信息，并在不同基准任务上实验，结果显示该方法优于最先进的基线。

本研究介绍了一种新的基于图形的分子数据自我监督学习方法MGSSL，通过自生成基元的预训练框架，捕获分子图中的丰富信息，并在下游基准任务中表现优于最先进的基线。

该研究提出了一种名为MGSSL的基于图形的自我监督学习方法，用于分子数据。他们使用自生成基元的预训练框架来捕获分子图中的信息，并在不同的下游基准任务上进行了广泛实验，表明该方法优于所有最先进的基线。

该研究提出了一种名为MGSSL的基于图形的分子数据自我监督学习方法，使用自生成基元的预训练框架来捕获分子图信息，并在不同的下游基准任务上进行了广泛实验，表明其优于所有最先进的基线。