論文の概要: Conditional Constrained Graph Variational Autoencoders for Molecule Design

• arxiv url: http://arxiv.org/abs/2009.00725v1
• Date: Tue, 1 Sep 2020 21:58:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-23 00:34:51.784101
• Title: Conditional Constrained Graph Variational Autoencoders for Molecule Design
• Title（参考訳）: 分子設計のための条件制約付きグラフ変分オートエンコーダ
• Authors: Davide Rigoni, Nicol\`o Navarin and Alessandro Sperduti
• Abstract要約: 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。
• 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, deep generative models for graphs have been used to generate new molecules. These models have produced good results, leading to several proposals in the literature. However, these models may have troubles learning some of the complex laws governing the chemical world. In this work, we explore the usage of the histogram of atom valences to drive the generation of molecules in such models. We present Conditional Constrained Graph Variational Autoencoder (CCGVAE), a model that implements this key-idea in a state-of-the-art model, and shows improved results on several evaluation metrics on two commonly adopted datasets for molecule generation.
• Abstract（参考訳）: 近年では、グラフの深い生成モデルが新しい分子の生成に用いられている。 これらのモデルは良い結果をもたらし、文献にいくつかの提案がなされた。 しかし、これらのモデルは化学世界を支配する複雑な法則を学ぶのに苦労しているかもしれない。 本研究では、原子価のヒストグラムを用いて、そのようなモデルにおける分子の生成を促進する。 条件制約付きグラフ変分オートエンコーダ (CCGVAE) は、このキーイデアを最先端のモデルで実装したモデルであり、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対するいくつかの評価指標の改善結果を示す。

関連論文リスト

• IFH: a Diffusion Framework for Flexible Design of Graph Generative Models [53.219279193440734]
  グラフ生成モデルは,1行にグラフを生成するワンショットモデルと,ノードとエッジの連続的な付加によるグラフを生成するシーケンシャルモデルという,2つの顕著なファミリーに分類される。 本稿では,逐次度を規定するグラフ生成モデルであるInsert-Fill-Halt(IFH)を提案する。
  論文  参考訳（メタデータ） (2024-08-23T16:24:40Z)
• Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation [0.6800113478497425]
  我々は、分子の最も単純な表現に戻り、古典的生成的アプローチの見過ごされた制限を調査する。 本稿では, 分子配列の妥当性, 条件生成, スタイル伝達を改善するために, 両者の強みを生かした, 新規な正則化器の形でのハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T11:50:23Z)
• Lift Your Molecules: Molecular Graph Generation in Latent Euclidean Space [46.11163798008912]
  3次元分子生成モデルを用いた新しい分子グラフ生成フレームワークを提案する。 分子グラフを合成コンホメータ座標によりユークリッド点雲にマッピングし,E(n)-等変グラフニューラルネットワーク(EGNN)を用いて逆写像を学習する。 誘導点雲構造潜在空間は既存の3次元分子生成モデルを適用するのに適している。
  論文  参考訳（メタデータ） (2024-06-15T05:29:07Z)
• RGCVAE: Relational Graph Conditioned Variational Autoencoder for Molecule Design [70.59828655929194]
  ディープグラフ変分自動エンコーダは、この問題に対処可能な、最も強力な機械学習ツールの1つである。 i)新しい強力なグラフ同型ネットワークを利用した符号化ネットワーク,(ii)新しい確率的復号化コンポーネントを提案する。
  論文  参考訳（メタデータ） (2023-05-19T14:23:48Z)
• MolHF: A Hierarchical Normalizing Flow for Molecular Graph Generation [4.517805235253331]
  MolHFは分子グラフを粗い方法で生成する新しい階層型フローベースモデルである。 MolHFは100以上の重原子を持つより大きな分子(ポリマー)をモデル化するための最初のフローベースモデルである。
  論文  参考訳（メタデータ） (2023-05-15T08:59:35Z)
• GraphPiece: Efficiently Generating High-Quality Molecular Graph with Substructures [7.021635649909492]
  分子グラフからエムグラフと呼ばれる共通部分構造を自動的に発見する手法を提案する。 グラフの断片に基づいて,変分オートエンコーダを用いて2つの相の分子を生成する。
  論文  参考訳（メタデータ） (2021-06-29T05:26:18Z)
• 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)
• Learning Latent Space Energy-Based Prior Model for Molecule Generation [59.875533935578375]
  分子モデリングのためのSMILES表現を用いた潜時空間エネルギーに基づく先行モデルについて学習する。 本手法は,最先端モデルと競合する妥当性と特異性を持つ分子を生成することができる。
  論文  参考訳（メタデータ） (2020-10-19T09:34:20Z)
• Physics-Constrained Predictive Molecular Latent Space Discovery with Graph Scattering Variational Autoencoder [0.0]
  我々は小データ構造における変分推論とグラフ理論に基づく分子生成モデルを開発する。 モデルの性能は、所望の目的特性を持つ分子を生成することによって評価される。
  論文  参考訳（メタデータ） (2020-09-29T09:05:27Z)
• Learning Graph Models for Retrosynthesis Prediction [90.15523831087269]
  再合成予測は有機合成の基本的な問題である。 本稿では,前駆体分子のグラフトポロジーが化学反応中にほとんど変化しないという考え方を生かしたグラフベースのアプローチを提案する。 提案モデルでは,テンプレートフリーおよび半テンプレートベースの手法よりも高い5,3.7%の精度でトップ1の精度を実現している。
  論文  参考訳（メタデータ） (2020-06-12T09:40:42Z)

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。