論文の概要: Hyperbolic Neural Networks for Molecular Generation

• arxiv url: http://arxiv.org/abs/2201.12825v1
• Date: Sun, 30 Jan 2022 14:14:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-01 15:12:10.759298
• Title: Hyperbolic Neural Networks for Molecular Generation
• Title（参考訳）: 分子生成のための双曲型ニューラルネットワーク
• Authors: Eric Qu, Dongmian Zou
• Abstract要約: 多くの深層発生器は分子グラフから原子関係を抽出し、原子レベルと分子レベルの階層情報を無視する。 このような階層的な情報を抽出するために,我々は新しい双曲的生成モデルを提案する。 本モデルでは, 潜在双曲空間に分子の階層的情報を埋め込む完全双曲型ジャンクションツリーエンコーダデコーダと, 潜曲型エンコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデオーダデオーダデコーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデアンドデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダデオーダ
• 参考スコア（独自算出の注目度）: 4.061135251278187
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the recent advance of deep learning, neural networks have been extensively used for the task of molecular generation. Many deep generators extract atomic relations from molecular graphs and ignore hierarchical information at both atom and molecule levels. In order to extract such hierarchical information, we propose a novel hyperbolic generative model. Our model contains three parts: first, a fully hyperbolic junction-tree encoder-decoder that embeds the hierarchical information of the molecules in the latent hyperbolic space; second, a latent generative adversarial network for generating the latent embeddings; third, a molecular generator that inherits the decoders from the first part and the latent generator from the second part. We evaluate our model on the ZINC dataset using the MOSES benchmarking platform and achieve competitive results, especially in metrics about structural similarity.
• Abstract（参考訳）: 近年のディープラーニングの進歩により、ニューラルネットワークは分子生成のタスクに広く利用されている。 多くの深層発生器は分子グラフから原子関係を抽出し、原子レベルと分子レベルの階層情報を無視する。 そこで,このような階層情報を抽出するために,新しい双曲生成モデルを提案する。 第1に、潜在性双曲空間に分子の階層情報を埋め込む完全双曲型ジャンクション・ツリー・エンコーダ・デコーダ、第2に潜在性埋め込みを生成する潜在性生成逆ネットワーク、第3に第1部分からデコーダを継承する分子発生器、第2部分から潜在性発生器である。 MOSESベンチマークプラットフォームを用いてZINCデータセット上でモデルを評価し、特に構造的類似性に関する指標において、競合的な結果を得る。

関連論文リスト

• Conformation Generation using Transformer Flows [55.2480439325792]
  本稿では,トランスネットワークに基づくコンフォーメーション生成のためのフローベースモデルConfFlowを提案する。 ConfFlowは、明示的な物理的制約を課すことなく、座標空間で直接サンプリングする。 ConfFlowは、最先端の学習ベースの方法と比較して、最大40%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-11-16T14:42:05Z)
• SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
  本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。 私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。 アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
  論文  参考訳（メタデータ） (2024-09-30T17:59:03Z)
• BindGPT: A Scalable Framework for 3D Molecular Design via Language Modeling and Reinforcement Learning [11.862370962277938]
  本稿では,タンパク質結合部位内で3D分子を生成するために,概念的にシンプルだが強力なアプローチを用いた新規な生成モデルBindGPTを提案する。 このような単純な概念的アプローチと事前学習とスケーリングが組み合わさって、現在の最高の特殊拡散モデルよりも同等以上の性能を発揮することを示す。
  論文  参考訳（メタデータ） (2024-06-06T02:10:50Z)
• Zero Shot Molecular Generation via Similarity Kernels [0.6597195879147557]
  ゼロショット分子生成の新しい手法である類似性に基づく分子生成(SiMGen)を提案する。 SiMGenは時間依存の類似性カーネルと事前訓練された機械学習力場からの記述子を組み合わせて分子を生成する。 また、ユーザがSiMGenで構造をオンラインで生成できるインタラクティブなWebツールもリリースしました。
  論文  参考訳（メタデータ） (2024-02-13T17:53:44Z)
• 3D molecule generation by denoising voxel grids [5.50581548670289]
  正規格子上に原子密度を表す3次元分子を生成するための新しいスコアベース手法を提案する。 我々は、雑音分子のスムーズな分布から実際の分子の分布への写像を学習する認知ニューラルネットワークを訓練する。 我々の実験では、VoxMolは、薬品のような分子の分布を、技術の状態よりもよく捉えつつ、サンプルを生成するのが速いことが示されている。
  論文  参考訳（メタデータ） (2023-06-13T00:38:51Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [55.42602325017405]
  本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。 異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。 11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• Learning Joint 2D & 3D Diffusion Models for Complete Molecule Generation [32.66694406638287]
  本研究では, 原子型, 正式な電荷, 結合情報, および3次元座標を持つ分子を生成する結合2Dおよび3D拡散モデル(JODO)を提案する。 我々のモデルは、単一または複数の量子特性をターゲットにした逆分子設計のために拡張することもできる。
  論文  参考訳（メタデータ） (2023-05-21T04:49:53Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Deep Neural-Kernel Machines [4.213427823201119]
  本章では,近年のディープ・ニューラル・カーネル・アーキテクチャの進展に関する文献について概説する。 我々は、異なるプーリング層を備えたより深いモデルのためのコアモジュールとして機能するニューラルカーネルアーキテクチャを導入する。 特に,平均,最大,畳み込み層を有する3つのニューラルカーネルマシンについて検討した。
  論文  参考訳（メタデータ） (2020-07-13T19:46:29Z)
• Self-Supervised Graph Transformer on Large-Scale Molecular Data [73.3448373618865]
  分子表現学習のための新しいフレームワークGROVERを提案する。 GROVERは、分子の豊富な構造的および意味的な情報を、巨大な未標識分子データから学習することができる。 分子表現学習において、最大のGNNであり、最大のトレーニングデータセットである、1000万個の未標識分子に1億のパラメータを持つGROVERを事前訓練します。
  論文  参考訳（メタデータ） (2020-06-18T08:37:04Z)
• Hyperbolic Neural Networks++ [66.16106727715061]
  ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。 実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
  論文  参考訳（メタデータ） (2020-06-15T08:23:20Z)

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。