論文の概要: Conditional Diffusion Based on Discrete Graph Structures for Molecular Graph Generation

• arxiv url: http://arxiv.org/abs/2301.00427v2
• Date: Tue, 23 May 2023 09:41:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-25 00:43:45.000310
• Title: Conditional Diffusion Based on Discrete Graph Structures for Molecular Graph Generation
• Title（参考訳）: 離散グラフ構造に基づく分子グラフ生成のための条件拡散
• Authors: Han Huang, Leilei Sun, Bowen Du, Weifeng Lv
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 32.66694406638287
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning the underlying distribution of molecular graphs and generating high-fidelity samples is a fundamental research problem in drug discovery and material science. However, accurately modeling distribution and rapidly generating novel molecular graphs remain crucial and challenging goals. To accomplish these goals, we propose a novel Conditional Diffusion model based on discrete Graph Structures (CDGS) for molecular graph generation. Specifically, we construct a forward graph diffusion process on both graph structures and inherent features through stochastic differential equations (SDE) and derive discrete graph structures as the condition for reverse generative processes. We present a specialized hybrid graph noise prediction model that extracts the global context and the local node-edge dependency from intermediate graph states. We further utilize ordinary differential equation (ODE) solvers for efficient graph sampling, based on the semi-linear structure of the probability flow ODE. Experiments on diverse datasets validate the effectiveness of our framework. Particularly, the proposed method still generates high-quality molecular graphs in a limited number of steps. Our code is provided in https://github.com/GRAPH-0/CDGS.
• Abstract（参考訳）: 分子グラフの基盤となる分布を学習し、高忠実度サンプルを生成することは、薬物発見と物質科学の基本的な研究課題である。 しかし、正確な分布のモデル化と急速な新規分子グラフの生成は依然として重要かつ困難な目標である。 これらの目的を達成するために,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, 確率微分方程式 (sde) によるグラフ構造と固有特徴の両方に対する前方グラフ拡散過程を構築し, 離散グラフ構造を逆生成過程の条件として導出する。 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ローカルノードエッジ依存性を抽出する,ハイブリッドグラフ雑音予測モデルを提案する。 さらに,確率フローodeの半線形構造に基づいて,効率的なグラフサンプリングに常微分方程式 (ode) ソルバを用いる。 多様なデータセットの実験は、我々のフレームワークの有効性を検証する。 特に,提案手法は限られた数ステップで高品質な分子グラフを生成する。 私たちのコードはhttps://github.com/GRAPH-0/CDGSで提供されています。

関連論文リスト

• Advancing Graph Generation through Beta Diffusion [49.49740940068255]
  Graph Beta Diffusion (GBD)は、グラフデータの多様な性質を扱うために特別に設計された生成モデルである。 本稿では, 臨界グラフトポロジを安定化させることにより, 生成グラフの現実性を高める変調手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T17:42:57Z)
• Advective Diffusion Transformers for Topological Generalization in Graph Learning [69.2894350228753]
  グラフ拡散方程式は、様々なグラフトポロジーの存在下で、どのように外挿して一般化するかを示す。 本稿では,新たなグラフエンコーダのバックボーンであるAdvective Diffusion Transformer (ADiT)を提案する。
  論文  参考訳（メタデータ） (2023-10-10T08:40:47Z)
• Graph Fourier MMD for Signals on Graphs [67.68356461123219]
  本稿では,グラフ上の分布と信号の間の新しい距離を提案する。 GFMMDは、グラフ上で滑らかであり、期待差を最大化する最適な目撃関数によって定義される。 グラフベンチマークのデータセットと単一セルRNAシークエンシングデータ解析について紹介する。
  論文  参考訳（メタデータ） (2023-06-05T00:01:17Z)
• GraphGUIDE: interpretable and controllable conditional graph generation with discrete Bernoulli diffusion [0.8602553195689513]
  拡散モデルは、現実的なオブジェクトを生成する際に最先端のパフォーマンスを達成する。 近年の研究は、薬物様分子のグラフ表現を含むグラフ上での拡散も定義できることを示した。 拡散モデルを用いたグラフ生成のための新しいフレームワークであるGraphGUIDEを提案する。
  論文  参考訳（メタデータ） (2023-02-07T22:58:29Z)
• 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)
• 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)
• Molecular graph generation with Graph Neural Networks [2.7393821783237184]
  MG2N2と呼ばれる一連のグラフニューラルネットワークモジュールに基づくシーケンシャルな分子グラフジェネレーターを紹介します。 我々のモデルは、過度に適合することなく、トレーニング段階で見られる分子パターンを一般化することができる。
  論文  参考訳（メタデータ） (2020-12-14T10:32:57Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)
• The Power of Graph Convolutional Networks to Distinguish Random Graph Models: Short Version [27.544219236164764]
  グラフ畳み込みネットワーク(GCN)はグラフ表現学習において広く使われている手法である。 サンプルグラフの埋め込みに基づいて異なるランダムグラフモデルを区別するGCNのパワーについて検討する。
  論文  参考訳（メタデータ） (2020-02-13T17:58:42Z)

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。