Fugu-MT 論文翻訳(概要): GraphDF: A Discrete Flow Model for Molecular Graph Generation

論文の概要: GraphDF: A Discrete Flow Model for Molecular Graph Generation

arxiv url: http://arxiv.org/abs/2102.01189v1
Date: Mon, 1 Feb 2021 21:39:41 GMT
ステータス: 処理完了
システム内更新日: 2021-02-03 16:42:00.648541
Title: GraphDF: A Discrete Flow Model for Molecular Graph Generation
Title（参考訳）: GraphDF:分子グラフ生成のための離散フローモデル
Authors: Youzhi Luo, Keqiang Yan, Shuiwang Ji
Abstract要約: 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。
参考スコア（独自算出の注目度）: 39.37343930928477
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We consider the problem of molecular graph generation using deep models. While graphs are discrete, most existing methods use continuous latent variables, resulting in inaccurate modeling of discrete graph structures. In this work, we propose GraphDF, a novel discrete latent variable model for molecular graph generation based on normalizing flow methods. GraphDF uses invertible modulo shift transforms to map discrete latent variables to graph nodes and edges. We show that the use of discrete latent variables reduces computational costs and eliminates the negative effect of dequantization. Comprehensive experimental results show that GraphDF outperforms prior methods on random generation, property optimization, and constrained optimization tasks.
Abstract（参考訳）: 深層モデルを用いた分子グラフ生成の問題点を考察する。グラフは離散的であるが、既存のほとんどのメソッドは連続潜伏変数を使用し、離散グラフ構造の不正確なモデリングをもたらす。本稿では,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GraphDFを提案する。 graphdfは、離散的潜在変数をグラフノードとエッジにマッピングするために、可逆モジュロシフト変換を使用する。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。包括的実験により,graphdfはランダム生成,プロパティ最適化,制約付き最適化タスクにおいて,先行手法よりも優れていた。

関連論文リスト

Efficient and Degree-Guided Graph Generation via Discrete Diffusion Modeling [20.618785908770356]
拡散に基づく生成グラフモデルは高品質の小さなグラフを生成するのに有効であることが証明されている。しかし、グラフ統計を推奨する何千ものノードを含む巨大なグラフを生成するには、よりスケーラブルである必要がある。本稿では,大きなグラフを持つ生成タスクに対処する新しい拡散型生成グラフモデルであるEDGEを提案する。
論文参考訳（メタデータ） (2023-05-06T18:32:27Z)
Graph Generation with Destination-Predicting Diffusion Mixture [60.8235946773011]
本稿では,拡散過程の宛先を予測することによって,グラフのトポロジをモデル化する新しい生成フレームワークを提案する。具体的には,データ分布の終端に条件付き拡散過程の混合として生成過程を設計する。提案手法は, 従来の生成モデルより優れており, 連続した(3次元座標など) と離散的な(原子型など) 両方の特徴を持つ正確なトポロジを持つグラフを生成する。
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)
DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
論文参考訳（メタデータ） (2022-09-29T12:55:03Z)
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)
Discrete Denoising Flows [87.44537620217673]
分類的確率変数に対する離散的フローベースモデル(DDF)を提案する。他の離散フローベースモデルとは対照的に、我々のモデルは勾配バイアスを導入することなく局所的に訓練することができる。そこで本研究では, DDFs が離散フローより優れていることを示し, 対数類似度で測定した2値MNIST と Cityscapes のセグメンテーションマップをモデル化した。
論文参考訳（メタデータ） (2021-07-24T14:47:22Z)
A Graph VAE and Graph Transformer Approach to Generating Molecular Graphs [1.6631602844999724]
グラフ畳み込み層とグラフプーリング層をフル活用した変分オートエンコーダとトランスベースモデルを提案する。トランスモデルは新しいノードエンコーディング層を実装し、一般的にトランスフォーマーで使用される位置エンコーディングを置き換え、グラフ上で動く位置情報を持たないトランスフォーマーを生成する。実験では、生成ノードとエッジの両方の重要性を考慮して、分子生成のベンチマークタスクを選択しました。
論文参考訳（メタデータ） (2021-04-09T13:13:06Z)
GraphEBM: Molecular Graph Generation with Energy-Based Models [42.24111543958905]
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。
論文参考訳（メタデータ） (2021-01-31T21:45:12Z)
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。