論文の概要: GraphEBM: Molecular Graph Generation with Energy-Based Models

• arxiv url: http://arxiv.org/abs/2102.00546v1
• Date: Sun, 31 Jan 2021 21:45:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-04 10:19:02.611091
• Title: GraphEBM: Molecular Graph Generation with Energy-Based Models
• Title（参考訳）: GraphEBM:エネルギーモデルを用いた分子グラフ生成
• Authors: Meng Liu, Keqiang Yan, Bora Oztekin, Shuiwang Ji
• Abstract要約: エネルギーモデルを用いて分子グラフを生成するグラフEBMを提案する。 エネルギー関数を変分不変にパラメータ化することにより,GraphEBM変分不変化を実現する。 分子を特異的に望ましい性質で生成するために,分子の性質に応じてフレキシブルな度合いでエネルギーを下げる,単純で効果的な戦略を提案する。
• 参考スコア（独自算出の注目度）: 42.24111543958905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular graph generation is an emerging area of research with numerous applications. This problem remains challenging as molecular graphs are discrete, irregular, and permutation invariant to node order. Notably, most existing approaches fail to guarantee the intrinsic property of permutation invariance, resulting in unexpected bias in generative models. In this work, we propose GraphEBM to generate molecular graphs using energy-based models. In particular, we parameterize the energy function in a permutation invariant manner, thus making GraphEBM permutation invariant. We apply Langevin dynamics to train the energy function by approximately maximizing likelihood and generate samples with low energies. Furthermore, to generate molecules with a specific desirable property, we propose a simple yet effective strategy, which pushes down energies with flexible degrees according to the properties of corresponding molecules. Finally, we explore the use of GraphEBM for generating molecules with multiple objectives in a compositional manner. Comprehensive experimental results on random, goal-directed, and compositional generation tasks demonstrate the effectiveness of our proposed method.
• Abstract（参考訳）: 分子グラフ生成は、多くのアプリケーションを持つ研究の新興分野です。 分子グラフがノード順序に不変な離散的、不規則、および置換であるため、この問題は依然として困難である。 特に、既存のアプローチの多くは置換不変性の固有性を保証することができず、生成モデルに予期せぬバイアスをもたらす。 本研究では,エネルギーモデルを用いた分子グラフ生成のためのGraphEBMを提案する。 特に、置換不変な方法でエネルギー関数をパラメータ化することにより、GraphEBMの置換不変性を実現する。 エネルギー関数の学習にランジュバンダイナミクスを応用し,確率を最大化し,低エネルギーのサンプルを生成する。 さらに、特定の望ましい性質を持つ分子を生成するために、対応する分子の特性に応じて柔軟な程度でエネルギーを押し下げるシンプルで効果的な戦略を提案します。 最後に、複数の目的を持つ分子を組成的に生成するためのGraphEBMの使用を検討する。 ランダム, 目標指向, 構成生成タスクに関する包括的な実験結果から, 提案手法の有効性を実証した。

関連論文リスト

• Graph Generation via Spectral Diffusion [51.60814773299899]
  本稿では,1)グラフラプラシア行列のスペクトル分解と2)拡散過程に基づく新しいグラフ生成モデルGRASPを提案する。 具体的には、固有ベクトルと固有値のサンプリングにデノナイジングモデルを用い、グラフラプラシアン行列と隣接行列を再構成する。 我々の置換不変モデルは各ノードの固有ベクトルに連結することでノードの特徴を扱える。
  論文  参考訳（メタデータ） (2024-02-29T09:26:46Z)
• Graph Diffusion Transformers for Multi-Conditional Molecular Generation [16.58392955245203]
  多条件分子生成のためのグラフ拡散変換器(Graph DiT)を提案する。 Graph DiTはエンコーダを統合し、数値的および分類的プロパティ表現とTransformerベースのデノイザを学習する。 その結果、分布学習から分子特性の条件制御まで、9つの指標にまたがるグラフDiTの優位性が示された。
  論文  参考訳（メタデータ） (2024-01-24T23:45:31Z)
• Graph Generation with Diffusion Mixture [57.78958552860948]
  グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。 本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-07T17:07:46Z)
• Conditional Diffusion Based on Discrete Graph Structures for Molecular Graph Generation [32.66694406638287]
  分子グラフ生成のための離散グラフ構造(CDGS)に基づく条件拡散モデルを提案する。 具体的には、微分方程式(SDE)を用いて、グラフ構造と固有の特徴の両方に対して前方グラフ拡散過程を構築する。 本稿では,中間グラフ状態からグローバルコンテキストと局所ノードエッジ依存性を抽出する,特殊なハイブリッドグラフノイズ予測モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-01T15:24:15Z)
• GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation [102.85440102147267]
  分子配座予測のための新しい生成モデルGeoDiffを提案する。 GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
  論文  参考訳（メタデータ） (2022-03-06T09:47:01Z)
• Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
  本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
  論文  参考訳（メタデータ） (2022-02-05T08:21:04Z)
• Adversarial Stein Training for Graph Energy Models [11.182263394122142]
  我々は、多チャネルグラフニューラルネットワーク(GNN)に基づくエネルギーベースモデル(EBM)を用いて、グラフ上の不変な非正規化密度関数の置換を学習する。 提案手法は,ベンチマークモデルと比較して,グラフ生成における競合的な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-08-30T03:55:18Z)
• 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)
• GraphDF: A Discrete Flow Model for Molecular Graph Generation [39.37343930928477]
  GraphDFは、正規化フロー法に基づく分子グラフ生成のための新しい離散潜在変数モデルである。 離散潜在変数を用いることで計算コストを削減し、復号化の負の効果を排除できることを示す。
  論文  参考訳（メタデータ） (2021-02-01T21:39:41Z)
• Permutation Invariant Graph Generation via Score-Based Generative Modeling [114.12935776726606]
  本稿では,最近のスコアベース生成モデルを用いて,グラフモデリングにおける置換不変手法を提案する。 特に、入力グラフにおけるデータ分布の勾配をモデル化するために、置換同変のマルチチャネルグラフニューラルネットワークを設計する。 グラフ生成では、我々の学習アプローチはベンチマークデータセット上の既存のモデルよりも良い、あるいは同等の結果を得る。
  論文  参考訳（メタデータ） (2020-03-02T03:06:14Z)

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。