論文の概要: Efficient Generation of Structured Objects with Constrained Adversarial Networks

• arxiv url: http://arxiv.org/abs/2007.13197v2
• Date: Sun, 29 Nov 2020 20:54:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 19:36:31.339338
• Title: Efficient Generation of Structured Objects with Constrained Adversarial Networks
• Title（参考訳）: 制約付き対向ネットワークを用いた構造物体の効率的な生成
• Authors: Luca Di Liello, Pierfrancesco Ardino, Jacopo Gobbi, Paolo Morettin, Stefano Teso, Andrea Passerini
• Abstract要約: GAN(Generative Adversarial Networks)は、分子やゲームマップのような構造化オブジェクトを生成するのに苦労する。 本稿では,モデルに制約を埋め込んだGANの拡張であるConstrained Adversarial Networks (CANs)を提案する。 CANは(高い確率で)有効構造の効率的な推論をサポートし、推論時に学習した制約をオン/オフすることができる。
• 参考スコア（独自算出の注目度）: 25.74932947671932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative Adversarial Networks (GANs) struggle to generate structured objects like molecules and game maps. The issue is that structured objects must satisfy hard requirements (e.g., molecules must be chemically valid) that are difficult to acquire from examples alone. As a remedy, we propose Constrained Adversarial Networks (CANs), an extension of GANs in which the constraints are embedded into the model during training. This is achieved by penalizing the generator proportionally to the mass it allocates to invalid structures. In contrast to other generative models, CANs support efficient inference of valid structures (with high probability) and allows to turn on and off the learned constraints at inference time. CANs handle arbitrary logical constraints and leverage knowledge compilation techniques to efficiently evaluate the disagreement between the model and the constraints. Our setup is further extended to hybrid logical-neural constraints for capturing very complex constraints, like graph reachability. An extensive empirical analysis shows that CANs efficiently generate valid structures that are both high-quality and novel.
• Abstract（参考訳）: generative adversarial networks (gans) は分子やゲームマップのような構造化オブジェクトの生成に苦労している。 問題は、構造化された物体は、サンプルのみから取得することが難しいハード要件(例えば分子は化学的に有効でなければならない)を満たさなければならないことである。 そこで,本研究では,学習中にモデルに制約を組み込むganの拡張であるconstricted adversarial network (cans)を提案する。 これは、ジェネレータが割り当てる質量に比例して不正な構造にペナルティを課すことによって達成される。 他の生成モデルとは対照的に、CANは(高い確率で)有効構造の効率的な推論をサポートし、推論時に学習された制約をオン/オフすることができる。 CANは任意の論理的制約を処理し、知識コンパイル技術を利用してモデルと制約の間の不一致を効率的に評価する。 私たちのセットアップは、グラフの到達可能性のような非常に複雑な制約をキャプチャするためのハイブリッド論理-神経制約にさらに拡張されます。 広範な実証分析により、CANは高品質かつ新規な有効な構造を効率よく生成することを示した。

関連論文リスト

• GrootVL: Tree Topology is All You Need in State Space Model [66.36757400689281]
  GrootVLは、視覚的タスクとテキストタスクの両方に適用できる多目的マルチモーダルフレームワークである。 本手法は, 画像分類, オブジェクト検出, セグメンテーションにおいて, 既存の構造化状態空間モデルよりも大幅に優れる。 大規模言語モデルの微調整により,本手法は訓練コストの少ない複数のテキストタスクにおいて一貫した改善を実現する。
  論文  参考訳（メタデータ） (2024-06-04T15:09:29Z)
• Semantic Loss Functions for Neuro-Symbolic Structured Prediction [74.18322585177832]
  このような構造に関する知識を象徴的に定義した意味的損失をトレーニングに注入する。 記号の配置に非依存であり、それによって表現される意味論にのみ依存する。 識別型ニューラルモデルと生成型ニューラルモデルの両方と組み合わせることができる。
  論文  参考訳（メタデータ） (2024-05-12T22:18:25Z)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• ConSequence: Synthesizing Logically Constrained Sequences for Electronic Health Record Generation [37.72570170375048]
  本稿では、ドメイン知識を逐次生成ニューラルネットワーク出力に統合するための効果的なアプローチであるConSequenceを提案する。 本研究では,コンシークエンスの電子健康記録作成における効果を実証し,コンシークエンスの時間的・空間的制約満足度を総合的に評価した。
  論文  参考訳（メタデータ） (2023-12-10T18:43:37Z)
• Efficient Computation of Counterfactual Bounds [44.4263314637532]
  我々は,構造因果モデルのサブクラスにおけるクレダルネットのアルゴリズムを用いて,正確な反ファクト境界を計算する。 近似の精度を信頼性のある間隔で評価する。
  論文  参考訳（メタデータ） (2023-07-17T07:59:47Z)
• Symmetric Tensor Networks for Generative Modeling and Constrained Combinatorial Optimization [72.41480594026815]
  ポートフォリオ最適化からロジスティクスに至るまで、制約付き最適化問題は業界に多い。 これらの問題の解決における主要な障害の1つは、有効な検索空間を制限する非自明なハード制約の存在である。 本研究では、Ax=bという形の任意の整数値等式制約をU(1)対称ネットワーク(TN)に直接エンコードし、それらの適用性を量子に着想を得た生成モデルとして活用する。
  論文  参考訳（メタデータ） (2022-11-16T18:59:54Z)
• A Constraint Programming Approach to Weighted Isomorphic Mapping of Fragment-based Shape Signatures [0.5801044612920815]
  フラグメントに基づく形状シグネチャ技術は、コンピュータ支援薬物設計のための強力なツールであることが証明されている。 しかし、断片化された化合物の一部の最適なマッチングを見つけるのには時間がかかる。 私たちは、この特定の問題を解決するために制約プログラミングを使用します。
  論文  参考訳（メタデータ） (2021-12-20T22:35:36Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)
• An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
  データから制約をマイニングするための一般的なフレームワークを提案する。 特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。 提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-18T20:09:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。