Fugu-MT 論文翻訳(概要): A Systematic Assessment of Deep Learning Models for Molecule Generation

論文の概要: A Systematic Assessment of Deep Learning Models for Molecule Generation

arxiv url: http://arxiv.org/abs/2008.09168v1
Date: Thu, 20 Aug 2020 19:13:31 GMT
ステータス: 処理完了
システム内更新日: 2022-10-27 04:18:17.623896
Title: A Systematic Assessment of Deep Learning Models for Molecule Generation
Title（参考訳）: 分子生成のためのディープラーニングモデルの系統的評価
Authors: Davide Rigoni, Nicol\`o Navarin and Alessandro Sperduti
Abstract要約: 薬物発見のための生成モデル評価のための広範囲なテストベッドを提案する。文献で提案した多くのモデルから得られた結果について述べる。
参考スコア（独自算出の注目度）: 70.59828655929194
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In recent years the scientific community has devoted much effort in the development of deep learning models for the generation of new molecules with desirable properties (i.e. drugs). This has produced many proposals in literature. However, a systematic comparison among the different VAE methods is still missing. For this reason, we propose an extensive testbed for the evaluation of generative models for drug discovery, and we present the results obtained by many of the models proposed in literature.
Abstract（参考訳）: 近年、科学コミュニティは、望ましい性質(薬品)を持つ新しい分子の生成のための深層学習モデルの開発に多くの努力を払っている。これは文学における多くの提案を生み出した。しかしながら、異なるVAE手法の体系的な比較は依然として欠落している。そこで本研究では,創薬のための生成モデルを評価するための広範囲なテストベッドを提案し,文献に提案されている多くのモデルから得られた結果を紹介する。

関連論文リスト

A Review on Fragment-based De Novo 2D Molecule Generation [0.0]
フラグメントベースの深層生成モデルは、2023年の分子設計ベンチマークにおいて、常に最先端の結果を達成する。このレビューには、出力品質、生成速度、および特定のモデルの現在の制限の比較が含まれる。フラグメントベースのモデルを現実世界のアプリケーションにブリッジする将来的な研究の道のりを強調します。
論文参考訳（メタデータ） (2024-05-08T09:38:38Z)
Diffusion Models in NLP: A Survey [1.5138755188783584]
拡散モデルは深層生成モデルの強力なファミリーとなり、多くのアプリケーションで記録的な性能を発揮している。本稿ではまず,拡散モデルの基本理論の概要と導出を行い,自然言語処理分野における拡散モデルの研究成果について概説する。
論文参考訳（メタデータ） (2023-03-14T01:53:49Z)
Deep Learning Methods for Small Molecule Drug Discovery: A Survey [6.61864409597243]
薬物発見における深層学習の様々な応用を概観する。これには、分子生成、分子特性予測、レトロ合成予測、反応予測が含まれる。創薬の課題を特定し,創薬における深層学習手法の今後の動向について論じる。
論文参考訳（メタデータ） (2023-03-01T08:16:38Z)
A Survey on Generative Diffusion Model [75.93774014861978]
拡散モデルは、深層生成モデルの新たなクラスである。時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
論文参考訳（メタデータ） (2022-09-06T16:56:21Z)
Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
論文参考訳（メタデータ） (2022-04-28T08:41:51Z)
De Novo Molecular Generation with Stacked Adversarial Model [24.83456726428956]
近年, ド・ノボの薬物設計に期待できるアプローチとして, 条件付き生成逆数モデルが提案されている。本稿では、2つのモデルを重ね合わせることで、既存の対向オートエンコーダモデルを拡張する新しい生成モデルを提案する。我々の積み重ねられたアプローチは、既知の薬物とより類似した分子と同様に、より有効な分子を生成する。
論文参考訳（メタデータ） (2021-10-24T14:23:16Z)
Learning to Extend Molecular Scaffolds with Structural Motifs [15.78749196233448]
MoLeRはグラフベースのモデルで、生成手順の初期シードとして足場をサポートする。そこで本研究では,MoLeRが非制約分子最適化タスクの最先端手法と相容れない性能を示す。また、いくつかの小さな設計選択が全体的なパフォーマンスに与える影響も示しています。
論文参考訳（メタデータ） (2021-03-05T18:28:49Z)
Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文参考訳（メタデータ） (2021-02-20T03:17:58Z)
Conditional Constrained Graph Variational Autoencoders for Molecule Design [70.59828655929194]
本稿では、このキーイデアを最先端のモデルで実装した、条件制約付きグラフ変分オートエンコーダ(CCGVAE)を提案する。分子生成のために広く採用されている2つのデータセットについて、いくつかの評価指標について改善した結果を示す。
論文参考訳（メタデータ） (2020-09-01T21:58:07Z)
Reverse Engineering Configurations of Neural Text Generation Models [86.9479386959155]
モデル選択の結果、機械が生成したテキストに現れるアーティファクトの研究は、新しい研究領域である。我々は、モデリング選択が検出可能なアーティファクトを生成テキストに残すかどうかを確認するために、広範囲な診断テストを実行する。我々の重要な発見は、厳密な実験によって裏付けられ、そのような成果物が存在することと、生成されたテキストのみを観察することで異なるモデリング選択を推測できることである。
論文参考訳（メタデータ） (2020-04-13T21:02:44Z)

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。