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），旨在提高图神经网络在分子数据稀缺情况下对物理和化学原理的捕捉能力。EMPP通过细化位置预测任务，显著提升了量子力学特征的学习效果和物理属性的获取，超越了现有自监督技术。

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。