Fugu-MT 論文翻訳(概要): Semi-Equivariant Conditional Normalizing Flows

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

Decoupling Training-Free Guided Diffusion by ADMM [17.425995507142467]
非条件生成モデルと誘導損失関数を明確に分離する新しいフレームワークを提案する。そこで我々は,これらの成分を適応的にバランスをとるために,alternating Direction Method of Multipliers (ADMM) に基づく新しいアルゴリズムを開発した。実験の結果,提案手法は高品質なサンプルを連続的に生成することがわかった。
論文参考訳（メタデータ） (2024-11-18T23:05:54Z)
Rectified Diffusion Guidance for Conditional Generation [62.00207951161297]
CFGの背後にある理論を再検討し、組合せ係数の不適切な構成(すなわち、広く使われている和対1バージョン)が生成分布の期待シフトをもたらすことを厳密に確認する。本稿では,誘導係数を緩和したReCFGを提案する。このようにして、修正された係数は観測されたデータをトラバースすることで容易に事前計算でき、サンプリング速度はほとんど影響を受けない。
論文参考訳（メタデータ） (2024-10-24T13:41:32Z)
G2D2: Gradient-guided Discrete Diffusion for image inverse problem solving [55.185588994883226]
本稿では,従来の離散拡散に基づく画像生成モデルを活用することによって,線形逆問題に対処する新しい手法を提案する。我々の知る限りでは、これは画像逆問題を解決するために離散拡散モデルに基づく先行手法を使う最初のアプローチである。
論文参考訳（メタデータ） (2024-10-09T06:18:25Z)
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)
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)
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。