分子图生成是药物发现和材料设计中的关键任务，但现有的掩码扩散方法通常对所有令牌采用统一的破坏调度，忽略了不同分子组件在结构上的异质性。研究人员提出MotifRole-Diff，一种基于角色感知的掩码扩散模型，通过为不同分子图令牌角色分配差异化的掩码率，在保持模型架构、干净序列空间和无损分子图解码器不变的前提下，实现了更优的生成性能。
MotifRole-Diff的核心思想是根据实验测得的去噪难度和图级扰动影响来确定每个令牌角色的掩码率，并将调度选择形式化为固定掩码预算在角色间的风险最优分配。理论分析证明了所建模的角色加权残差风险的最优性，而下游生成性能则通过实验评估。
在相同架构、训练预算和采样计算量的条件下，MotifRole-Diff在QM9数据集上将分子有效性从0.905提高到0.944，同时将FCD（Frechet ChemNet Distance）从1.701降至1.609；在MOSES数据集上，有效性从0.920提升至0.938，FCD从2.125降至1.850。角色级诊断进一步显示，所有分子图令牌类别的重构性能均得到改善。
这些结果充分表明，对于序列化分子图扩散，结构信息引导的掩码策略比统一调度更为有效，为生成高质量分子提供了新的思路和方法，有望推动分子生成领域的进一步发展。