分子グラフ生成のための離散拡散モデルは、一般的に分子構造をシーケンス形式に変換する際、すべてのトークンに均一な破損スケジュールを適用しています。しかし実際には、分子グラフ内の異なるトークンは復元の難易度や分子全体への影響において大きなばらつきを示しており、均一な処理では最適ではありません。そこで研究者らはMotifRole-Diffという新手法を提案しました。この手法は、実測データに基づいて各トークンの役割に応じた異なるマスキング率を割り当てるもので、モデルアーキテクチャや分子グラフデコーダーの構造は変えずに実装できます。 提案手法は、固定されたマスキング予算を各トークン役割に最適配分する問題を定式化し、理論的な最適性を証明しています。実験結果では顕著な改善が示されています。QM9データセットではモデルの有効性が0.905から0.944に向上し、Fréchet ChemNet Distance（FCD）が1.701から1.609に低下しました。またMOSESデータセットでも、有効性が0.920から0.938に、FCDが2.125から1.850に改善されています。 これらの結果は、構造情報を考慮した段階的な破損戦略が、均一なマスキングスケジュールよりも効果的であることを示唆しています。特に異なる分子グラフトークンカテゴリー間での復元精度が向上し、医薬品開発などの実応用における分子生成の品質向上につながる可能性があります。