分子グラフ生成は医薬品発見や材料設計における重要なタスクであるが、既存のマスク拡散法はすべてのトークンに一様な破壊スケジュールを適用することが多く、分子構成要素の構造的異質性を無視している。この問題に対処するため、研究者らはMotifRole-Diffを提案した。これは、分子グラフトークンの役割に応じてマスク率を異ならせる役割認識型破壊プロセスであり、モデルアーキテクチャ、クリーンシーケンス空間、ロスレス分子グラフデコーダを維持したまま、より優れた生成性能を実現する。
MotifRole-Diffの核心は、実験的に測定されたノイズ除去の難易度とグラフレベルの摂動影響に基づいて各トークン役割のマスク率を決定し、スケジュール選択を役割間での固定マスク予算のリスク最適配分として定式化することである。理論的解析により、モデル化された役割加重残差リスクの最適性が特徴づけられ、下流の生成性能は実験的に評価される。
同一のアーキテクチャ、トレーニング予算、サンプリング計算量の下で、MotifRole-DiffはQM9データセットで分子有効性を0.905から0.944に向上させ、FCD（Frechet ChemNet Distance）を1.701から1.609に低減した。MOSESデータセットでは、有効性が0.920から0.938に向上し、FCDが2.125から1.850に低下した。役割ごとの診断により、すべての分子グラフトークンカテゴリで再構成性能が改善されたことが示された。
これらの結果は、系列化分子グラフ拡散において、構造情報に基づく破壊戦略が一様スケジュールよりも効果的であることを明確に示しており、高品質な分子生成の新たな道を開くものである。