論文の概要: Energy-based View of Retrosynthesis
- arxiv url: http://arxiv.org/abs/2007.13437v2
- Date: Thu, 9 Dec 2021 03:56:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 15:45:47.680415
- Title: Energy-based View of Retrosynthesis
- Title(参考訳): エネルギーに基づくレトロシンセシスの展望
- Authors: Ruoxi Sun, Hanjun Dai, Li Li, Steven Kearnes, Bo Dai
- Abstract要約: エネルギーモデルとしてシーケンスおよびグラフベースの手法を統一するフレームワークを提案する。
本稿では,ベイズ前方および後方予測に対して一貫した訓練を行うフレームワーク内での新しい二重変種を提案する。
このモデルは、反応型が不明なテンプレートフリーアプローチに対して、最先端の性能を9.6%向上させる。
- 参考スコア(独自算出の注目度): 70.66156081030766
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Retrosynthesis -- the process of identifying a set of reactants to synthesize
a target molecule -- is of vital importance to material design and drug
discovery. Existing machine learning approaches based on language models and
graph neural networks have achieved encouraging results. In this paper, we
propose a framework that unifies sequence- and graph-based methods as
energy-based models (EBMs) with different energy functions. This unified
perspective provides critical insights about EBM variants through a
comprehensive assessment of performance. Additionally, we present a novel dual
variant within the framework that performs consistent training over Bayesian
forward- and backward-prediction by constraining the agreement between the two
directions. This model improves state-of-the-art performance by 9.6% for
template-free approaches where the reaction type is unknown.
- Abstract(参考訳): ターゲット分子を合成するための一連の反応物質を同定するプロセスであるレトロシンセシスは、物質設計と創薬にとって極めて重要である。
言語モデルとグラフニューラルネットワークに基づく既存の機械学習アプローチは、奨励的な結果を得た。
本稿では,エネルギー関数の異なるエネルギーモデル (EBM) としてシーケンス法とグラフ法を統一する枠組みを提案する。
この統一的な視点は、パフォーマンスの包括的な評価を通じてebmの変種について批判的な洞察を与えます。
さらに,両方向の合意を制約することにより,ベイズ前方および後方予測に対して一貫したトレーニングを行う,フレームワーク内の新しい双対型を提案する。
このモデルは、反応型が不明なテンプレートフリーアプローチに対して、最先端の性能を9.6%向上させる。
関連論文リスト
- RetroBridge: Modeling Retrosynthesis with Markov Bridges [2.4210954073752142]
再合成計画は、市販の開始物質から標的分子への反応経路を設計することを目的としている。
本稿では,2つの離散分布間の依存性を近似する生成フレームワークであるマルコフブリッジモデルを紹介する。
次に, 新たなフレームワークでレトロシンセシス計画問題に対処し, テンプレートレスレトロシンセシスモデリング手法RetroBridgeを導入する。
論文 参考訳(メタデータ) (2023-08-30T15:09:22Z) - MCMC-Correction of Score-Based Diffusion Models for Model Composition [2.8544513613730205]
拡散モデルは、スコアやエネルギー関数の観点からパラメータ化することができる。
本稿では,スコアパラメータ化の維持とエネルギーベースの受理確率の計算を提案する。
提案手法を2次元実験で評価した結果,エネルギーパラメータ化よりも類似性や性能が良好であることが判明した。
論文 参考訳(メタデータ) (2023-07-26T07:50:41Z) - On Feature Diversity in Energy-based Models [98.78384185493624]
エネルギーベースモデル(EBM)は通常、異なる特徴の組み合わせを学習し、入力構成ごとにエネルギーマッピングを生成する内部モデルによって構成される。
EBMのほぼ正しい(PAC)理論を拡張し,EBMの性能に及ぼす冗長性低減の影響を解析した。
論文 参考訳(メタデータ) (2023-06-02T12:30:42Z) - Multimodal Relation Extraction with Cross-Modal Retrieval and Synthesis [89.04041100520881]
本研究は,対象物,文,画像全体に基づいて,テキストおよび視覚的証拠を検索することを提案する。
我々は,オブジェクトレベル,画像レベル,文レベル情報を合成し,同一性と異なるモダリティ間の推論を改善する新しい手法を開発した。
論文 参考訳(メタデータ) (2023-05-25T15:26:13Z) - MotifRetro: Exploring the Combinability-Consistency Trade-offs in
retrosynthesis via Dynamic Motif Editing [40.254832796139375]
本稿では,レトロシンセシス予測のための動的モチーフ編集フレームワークを提案する。
トレードオフ空間全体を探索し、グラフベースのモデルを統一することができる。
我々は,USPTO-50K実験を行い,トレードオフがモデル性能に与える影響について検討する。
論文 参考訳(メタデータ) (2023-05-20T09:08:44Z) - DR-Label: Improving GNN Models for Catalysis Systems by Label
Deconstruction and Reconstruction [72.20024514713633]
本稿では,新しいグラフニューラルネットワーク(GNN)と予測戦略DR-Labelを提案する。
この戦略は、監視信号を強化し、エッジ表現における解の多重度を低減し、ノード予測を堅牢にすることを促す。
DR-Labelは3つの根本的に異なるモデルに適用され、それぞれが一貫した性能向上を示した。
論文 参考訳(メタデータ) (2023-03-06T04:01:28Z) - Latent Variable Representation for Reinforcement Learning [131.03944557979725]
モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。
状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。
特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-12-17T00:26:31Z) - Joint Training of Variational Auto-Encoder and Latent Energy-Based Model [112.7509497792616]
本稿では,変分オートエンコーダ(VAE)と潜時エネルギーベースモデル(EBM)を併用した共同学習手法を提案する。
VAEと潜伏ESMのジョイントトレーニングは、潜伏ベクトル上の3つの関節分布と画像との間の3つのクルバック・リーブラー分岐からなる目的関数に基づいている。
論文 参考訳(メタデータ) (2020-06-10T20:32:25Z)
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。