分子圖生成是藥物發現和材料設計中的關鍵任務，但現有的掩碼擴散方法通常對所有令牌採用統一的破壞排程，忽略了不同分子元件在結構上的異質性。研究人員提出MotifRole-Diff，一種基於角色感知的掩碼擴散模型，透過為不同分子圖令牌角色分配差異化的掩位元速率，在保持模型架構、乾淨序列空間和無損分子圖解碼器不變的前提下，實現了更優的生成效能。
MotifRole-Diff的核心思想是根據實驗測得的去噪難度和圖級擾動影響來確定每個令牌角色的掩位元速率，並將排程選擇形式化為固定掩碼預算在角色間的風險最優分配。理論分析證明了所建模的角色加權殘差風險的最優性，而下游生成效能則透過實驗評估。
在相同架構、訓練預算和取樣計算量的條件下，MotifRole-Diff在QM9資料集上將分子有效性從0.905提高到0.944，同時將FCD（Frechet ChemNet Distance）從1.701降至1.609；在MOSES資料集上，有效性從0.920提升至0.938，FCD從2.125降至1.850。角色級診斷進一步顯示，所有分子圖令牌類別的重構效能均得到改善。
這些結果充分表明，對於序列化分子圖擴散，結構資訊引導的掩碼策略比統一排程更為有效，為生成高質量分子提供了新的思路和方法，有望推動分子生成領域的進一步發展。