Papers with Code · CC BY-SA 4.0

ESOL

아카이브 평가 20건 · 마지막 적재/변경 2026-10-30

평가 기록

과거 수집 기록이며 최신 순위가 아닙니다. 데이터셋 버전·split·실험 조건과 지표 방향이 검증되지 않은 결과는 직접 비교할 수 없습니다. 날짜는 논문 날짜이며 최신 평가일을 뜻하지 않습니다.

표가 화면보다 넓으면 좌우로 스크롤하여 논문과 구현 링크를 확인하세요.

원본 기록 순서 · 순위 미부여
모델	원본 지표·값	논문	구현
ESA (Edge set attention, no positional encodings)	RMSE 0.485±0.009 R2 0.944±0.002	An end-to-end attention-based approach for learning on graphs 2024-02-16	코드 1
PNA	RMSE 0.493±0.026 R2 0.942±0.006	Principal Neighbourhood Aggregation for Graph Nets 2020-04-12	코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 · 코드 7 · 코드 8
GIN	RMSE 0.509±0.044 R2 0.938±0.011	How Powerful are Graph Neural Networks? 2018-10-01	코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 · 코드 7 · 코드 8 · 코드 9 · 코드 10 · 코드 11 · 코드 12 · 코드 13 · 코드 14 · 코드 15 · 코드 16 · 코드 17 · 코드 18 · 코드 19
GCN	RMSE 0.520±0.024 R2 0.936±0.006	Semi-Supervised Classification with Graph Convolutional Networks 2016-09-09	코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 · 코드 7 · 코드 8 · 코드 9 · 코드 10 · 코드 11 · 코드 12 · 코드 13 · 코드 14 · 코드 15 · 코드 16 · 코드 17 · 코드 18 · 코드 19 · 코드 20 · 코드 21 · 코드 22 · 코드 23 · 코드 24 · 코드 25 · 코드 26 · 코드 27 · 코드 28 · 코드 29 · 코드 30 · 코드 31 · 코드 32 · 코드 33 · 코드 34 · 코드 35 · 코드 36 · 코드 37 · 코드 38 · 코드 39 · 코드 40 · 코드 41 · 코드 42 · 코드 43 · 코드 44 · 코드 45 · 코드 46 · 코드 47 · 코드 48 · 코드 49 · 코드 50 · 코드 51 · 코드 52 · 코드 53 · 코드 54 · 코드 55
DropGIN	RMSE 0.520±0.048 R2 0.935±0.012	DropGNN: Random Dropouts Increase the Expressiveness of Graph Neural Networks 2021-11-11	코드 1
GAT	RMSE 0.540±0.027 R2 0.930±0.007	Graph Attention Networks 2017-10-30	코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 · 코드 7 · 코드 8 · 코드 9 · 코드 10 · 코드 11 · 코드 12 · 코드 13 · 코드 14 · 코드 15 · 코드 16 · 코드 17 · 코드 18 · 코드 19 · 코드 20 · 코드 21 · 코드 22 · 코드 23 · 코드 24 · 코드 25 · 코드 26 · 코드 27 · 코드 28 · 코드 29 · 코드 30 · 코드 31 · 코드 32 · 코드 33 · 코드 34 · 코드 35 · 코드 36 · 코드 37 · 코드 38 · 코드 39 · 코드 40 · 코드 41 · 코드 42 · 코드 43 · 코드 44 · 코드 45 · 코드 46 · 코드 47 · 코드 48 · 코드 49 · 코드 50 · 코드 51 · 코드 52 · 코드 53 · 코드 54 · 코드 55 · 코드 56 · 코드 57 · 코드 58 · 코드 59 · 코드 60 · 코드 61 · 코드 62 · 코드 63 · 코드 64 · 코드 65 · 코드 66 · 코드 67 · 코드 68 · 코드 69 · 코드 70 · 코드 71 · 코드 72 · 코드 73 · 코드 74 · 코드 75 · 코드 76 · 코드 77 · 코드 78 · 코드 79 · 코드 80 · 코드 81 · 코드 82 · 코드 83 · 코드 84 · 코드 85 · 코드 86 · 코드 87 · 코드 88 · 코드 89 · 코드 90 · 코드 91 · 코드 92 · 코드 93
GATv2	RMSE 0.549±0.020 R2 0.928±0.005	How Attentive are Graph Attention Networks? 2021-05-30	코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 · 코드 7 · 코드 8
MPNN	RMSE 0.58	MoleculeNet: A Benchmark for Molecular Machine Learning 2017-03-02	코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5
GraphGPS	RMSE 0.613±0.010 R2 0.911±0.003	Recipe for a General, Powerful, Scalable Graph Transformer 2022-05-25	코드 1 · 코드 2 · 코드 3 · 코드 4
Graphormer	RMSE 0.618±0.068 R2 0.908±0.021	Do Transformers Really Perform Bad for Graph Representation? 2021-06-09	코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5
SMA	RMSE 0.623	Self-Guided Masked Autoencoders for Domain-Agnostic Self-Supervised Learning 2024-02-22	코드 1
TokenGT	RMSE 0.667±0.103 R2 0.892±0.036	Pure Transformers are Powerful Graph Learners 2022-07-06	코드 1 · 코드 2
Uni-Mol	RMSE 0.788	Uni-Mol: A Universal 3D Molecular Representation Learning Framework 2022-09-08	코드 1
ChemRL-GEM	RMSE 0.798	ChemRL-GEM: Geometry Enhanced Molecular Representation Learning for Property Prediction 2021-06-11	연결 없음
SPMM	RMSE 0.810	Bidirectional Generation of Structure and Properties Through a Single Molecular Foundation Model 2022-11-19	코드 1
S-CGIB	RMSE 0.816±0.019	Pre-training Graph Neural Networks on Molecules by Using Subgraph-Conditioned Graph Information Bottleneck 2025-02-20	코드 1
ChemBFN	RMSE 0.884	A Bayesian Flow Network Framework for Chemistry Tasks 2024-07-28	코드 1
ChemBERTa-2 (MTR-77M)	RMSE 0.889	ChemBERTa-2: Towards Chemical Foundation Models 2022-09-05	코드 1 · 코드 2
XGBoost	RMSE 0.99	MoleculeNet: A Benchmark for Molecular Machine Learning 2017-03-02	코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5
D-MPNN	RMSE 1.050	Analyzing Learned Molecular Representations for Property Prediction 2019-04-02	코드 1 · 코드 2 · 코드 3 · 코드 4