論文の概要: Semi-Equivariant Conditional Normalizing Flows
- arxiv url: http://arxiv.org/abs/2304.06779v1
- Date: Thu, 13 Apr 2023 18:56:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-17 15:28:26.286449
- Title: Semi-Equivariant Conditional Normalizing Flows
- Title(参考訳): 半不変条件正規化流れ
- Authors: Eyal Rozenberg and Daniel Freedman
- Abstract要約: ここでは、連続正規化フローを用いて、$G$と$hat G$を2つの3次元グラフとする、$p(G | hat G)$という形の条件分布の学習問題を考察する。
- 参考スコア(独自算出の注目度): 14.182657807324999
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We study the problem of learning conditional distributions of the form $p(G |
\hat G)$, where $G$ and $\hat G$ are two 3D graphs, using continuous
normalizing flows. We derive a semi-equivariance condition on the flow which
ensures that conditional invariance to rigid motions holds. We demonstrate the
effectiveness of the technique in the molecular setting of receptor-aware
ligand generation.
- Abstract(参考訳): ここでは、連続正規化フローを用いて、$G$と$\hat G$を2つの3次元グラフとする、$p(G | \hat G)$という形の条件分布の学習問題を考察する。
剛体運動に対する条件的不変性が保持されることを保証するフロー上の半等分散条件を導出する。
本手法は受容体認識リガンド生成の分子配置における効果を示す。
関連論文リスト
- Extended Flow Matching: a Method of Conditional Generation with Generalized Continuity Equation [19.71452214879951]
条件生成は 生成モデルの最も重要な応用の1つです
行列場を通して条件生成に帰納バイアスを導入することができることを示す。
条件生成におけるEMFの競争性を支持する実験結果とともに,本理論を提示する。
論文 参考訳(メタデータ) (2024-02-29T04:12:32Z) - Semi-Equivariant Continuous Normalizing Flows for Target-Aware Molecule
Generation [14.182657807324999]
本研究では,対象分子の条件生成モデルを学習するためのアルゴリズムを提案する。
結合したい受容体分子が与えられたとき、条件付きモデルはそれに結合する可能性のある候補リガンド分子を生成する。
提案手法をCrossDocked 2020データセット上で評価し,競合する手法に対する結合親和性を大幅に改善した。
論文 参考訳(メタデータ) (2022-11-09T09:16:39Z) - Modular Flows: Differential Molecular Generation [18.41106104201439]
フローは、エンコーディングプロセスを反転させることで、分子を効果的に生成することができる。
既存のフローモデルでは、アーチファクトのデクタンス化や特定のノード/エッジの順序付けが必要となる。
我々はノードODEとグラフPDEのシステムに基づく連続正規化E(3)-同変フローを開発する。
我々のモデルは、メッセージパッシング時間ネットワークとしてキャストすることができ、その結果、密度推定と分子生成のタスクにおいて最上位のパフォーマンスが得られる。
論文 参考訳(メタデータ) (2022-10-12T09:08:35Z) - 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) - Equivariant Discrete Normalizing Flows [10.867162810786361]
離散層を用いた等変正規化フローの構築に着目する。
2つの新しい同変フロー:$G$-カップリングフローと$G$-Residualフローを導入する。
我々の構成である$G$-Residual Flowsも普遍的であり、$G$-equivariant diffeomorphismが$G$-Residual Flowによって正確にマッピング可能であることを証明している。
論文 参考訳(メタデータ) (2021-10-16T20:16:00Z) - E(n) Equivariant Normalizing Flows for Molecule Generation in 3D [87.12477361140716]
本稿ではユークリッド対称性に同値な生成モデルを紹介する: E(n) 等変正規化フロー(E-NFs)
私たちの知る限りでは、これは3Dで分子を生成する可能性に基づく最初の深層生成モデルである。
論文 参考訳(メタデータ) (2021-05-19T09:28:54Z) - On the Convergence of Gradient Descent in GANs: MMD GAN As a Gradient
Flow [26.725412498545385]
パラメトリックカーネル化勾配流は、勾配正規化$mathrmMMD$GANにおけるmin-maxゲームに類似していることを示す。
次に、正規化$mathrmMMD$GANにおける生成元の空間上の勾配降下が、対象分布に大域的に収束することを保証する明示的な条件を導出する。
論文 参考訳(メタデータ) (2020-11-04T16:55:00Z) - GANs with Variational Entropy Regularizers: Applications in Mitigating
the Mode-Collapse Issue [95.23775347605923]
深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。
GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。
情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
論文 参考訳(メタデータ) (2020-09-24T19:34:37Z) - SurVAE Flows: Surjections to Bridge the Gap between VAEs and Flows [78.77808270452974]
SurVAE Flowsは、VAEと正規化フローを含む構成可能な変換のためのモジュラーフレームワークである。
提案手法は,SurVAE フローとして表現できることが示唆された。
論文 参考訳(メタデータ) (2020-07-06T13:13:22Z) - Gaussianization Flows [113.79542218282282]
そこで本研究では,サンプル生成における効率のよい繰り返しと効率のよい逆変換を両立できる新しい型正規化フローモデルを提案する。
この保証された表現性のため、サンプル生成の効率を損なうことなく、マルチモーダルなターゲット分布をキャプチャできる。
論文 参考訳(メタデータ) (2020-03-04T08:15:06Z) - Composing Normalizing Flows for Inverse Problems [89.06155049265641]
本稿では,2つの流れモデルの合成として,対象条件を推定する近似推論フレームワークを提案する。
本手法は,様々な逆問題に対して評価し,不確実性のある高品質な試料を作製することを示した。
論文 参考訳(メタデータ) (2020-02-26T19:01:11Z)
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。