論文の概要: Fractional Denoising for 3D Molecular Pre-training

• arxiv url: http://arxiv.org/abs/2307.10683v2
• Date: Fri, 3 Nov 2023 07:36:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-06 17:43:42.038032
• Title: Fractional Denoising for 3D Molecular Pre-training
• Title（参考訳）: 3次元分子前処理のためのフラクタルデノイング
• Authors: Shikun Feng and Yuyan Ni and Yanyan Lan and Zhi-Ming Ma and Wei-Ying Ma
• Abstract要約: コーディネート・デノナイジング(Coordinate denoising)は、様々な下流の薬物発見タスクにおいて顕著な性能を発揮した3D分子前処理法である。 効果的な力場、すなわち低カバレッジサンプルと等方性力場を学習するために、コーディネート認知には2つの課題がある。 本稿では,2面エンジェルと座標の両方のノイズを含む,新しいハイブリッドノイズ戦略を提案する。
• 参考スコア（独自算出の注目度）: 29.671249096191726
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Coordinate denoising is a promising 3D molecular pre-training method, which has achieved remarkable performance in various downstream drug discovery tasks. Theoretically, the objective is equivalent to learning the force field, which is revealed helpful for downstream tasks. Nevertheless, there are two challenges for coordinate denoising to learn an effective force field, i.e. low coverage samples and isotropic force field. The underlying reason is that molecular distributions assumed by existing denoising methods fail to capture the anisotropic characteristic of molecules. To tackle these challenges, we propose a novel hybrid noise strategy, including noises on both dihedral angel and coordinate. However, denoising such hybrid noise in a traditional way is no more equivalent to learning the force field. Through theoretical deductions, we find that the problem is caused by the dependency of the input conformation for covariance. To this end, we propose to decouple the two types of noise and design a novel fractional denoising method (Frad), which only denoises the latter coordinate part. In this way, Frad enjoys both the merits of sampling more low-energy structures and the force field equivalence. Extensive experiments show the effectiveness of Frad in molecular representation, with a new state-of-the-art on 9 out of 12 tasks of QM9 and on 7 out of 8 targets of MD17.
• Abstract（参考訳）: coordinate denoisingは有望な3d分子前訓練法であり、様々な下流の薬物発見タスクで顕著な性能を達成した。 理論的には、この目的は下流のタスクに有用な力場を学ぶことと等価である。 それにもかかわらず、効果的な力場、すなわち、低カバレッジサンプルと等方力場を学ぶための座標化の課題は2つある。 その根底にある理由は、既存の分極法によって仮定される分子分布が分子の異方性特性を捉えないからである。 これらの課題に対処するために,2面天使と座標の両方のノイズを含む,新しいハイブリッドノイズ戦略を提案する。 しかし、そのようなハイブリッドノイズを伝統的な方法で発音することは、もはや力場を学ぶことと等価ではない。 理論的推論により、この問題は共分散に対する入力コンホメーションの依存性によって引き起こされる。 そこで本研究では,2種類の雑音を分離し,後者の座標部のみをデノー化する新しい分数デノージング法(frad)を設計することを提案する。 このように、フラッドはより低エネルギーな構造をサンプリングする利点と力場等価性の両方を享受している。 広範な実験により、分子表現におけるfradの有効性が示され、qm9の12のタスクのうち9つとmd17の8つのターゲットのうち7つに新しい状態が示された。

関連論文リスト

• Pre-training with Fractional Denoising to Enhance Molecular Property Prediction [26.93248595345132]
  本稿では,Frad(Farential Denoising)と呼ばれる分子前訓練フレームワークを導入し,ノイズ設計と強制学習等価性による制約を分離する。 実験により、我々のフレームワークは既存の手法を一貫して上回り、力の予測、量子化学特性、結合親和性タスクにまたがって最先端の結果を確立する。
  論文  参考訳（メタデータ） (2024-07-14T11:09:42Z)
• NoiseDiffusion: Correcting Noise for Image Interpolation with Diffusion Models beyond Spherical Linear Interpolation [86.7260950382448]
  画像の妥当性を補正する新しい手法としてノイズ拡散法を提案する。 NoiseDiffusionはノイズの多い画像空間内で動作し、これらのノイズの多い画像に生画像を注入することで、情報損失の課題に対処する。
  論文  参考訳（メタデータ） (2024-03-13T12:32:25Z)
• GeneOH Diffusion: Towards Generalizable Hand-Object Interaction Denoising via Denoising Diffusion [27.252526086004956]
  誤った相互作用シーケンスが与えられた場合、その目的は、不正確な手の動きを洗練して、知覚的に現実的なシーケンスのための相互作用アーティファクトを取り除くことである。 この課題には、不自然な手ポーズや不正確な手オブジェクト関係を含む複雑な相互作用ノイズが含まれる。 我々は2つの重要な設計を取り入れた新しいアプローチであるGeneOH Diffusionを通じて、これらの課題に取り組む。
  論文  参考訳（メタデータ） (2024-02-22T18:59:21Z)
• Sliced Denoising: A Physics-Informed Molecular Pre-Training Method [29.671249096191726]
  本稿では,スライスデノナイジング(SliDe)と呼ばれる分子前訓練法を提案する。 SliDeは、結合の長さ、角度、ねじれ角を乱す新しいノイズ戦略を使用して、コンフォーメーションよりも優れたサンプリングを実現する。 その結果,現在最先端の遮音法と比較して,推定力場の精度は42%向上した。
  論文  参考訳（メタデータ） (2023-11-03T07:58:05Z)
• DeNoising-MOT: Towards Multiple Object Tracking with Severe Occlusions [52.63323657077447]
  DNMOTは、複数のオブジェクト追跡のためのエンドツーエンドのトレーニング可能なDeNoising Transformerである。 具体的には、トレーニング中にノイズを伴って軌道を拡大し、エンコーダ・デコーダアーキテクチャのデノイング過程をモデルに学習させる。 我々はMOT17,MOT20,DanceTrackのデータセットについて広範な実験を行い,実験結果から,提案手法が従来の最先端手法よりも明確なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2023-09-09T04:40:01Z)
• CamoDiffusion: Camouflaged Object Detection via Conditional Diffusion Models [72.93652777646233]
  カモフラーゲ型物体検出(COD)は、カモフラーゲ型物体とその周囲の類似性が高いため、コンピュータビジョンにおいて難しい課題である。 本研究では,CODを拡散モデルを利用した条件付きマスク生成タスクとして扱う新しいパラダイムを提案する。 カモ拡散(CamoDiffusion)と呼ばれる本手法では,拡散モデルのデノナイズプロセスを用いてマスクの雑音を反復的に低減する。
  論文  参考訳（メタデータ） (2023-05-29T07:49:44Z)
• Molecular Geometry Pretraining with SE(3)-Invariant Denoising Distance Matching [36.92992265307818]
  3次元幾何学構造に対する事前学習の力は、あまり研究されていない。 このようなエネルギー景観をモデル化するための3次元協調型事前学習フレームワークを提案する。 提案手法の有効性とロバスト性を確認した。
  論文  参考訳（メタデータ） (2022-06-27T19:30:53Z)
• Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
  本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。 近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
  論文  参考訳（メタデータ） (2022-05-31T22:28:34Z)
• Combating Noise: Semi-supervised Learning by Region Uncertainty Quantification [55.23467274564417]
  現在の手法は、擬似ラベルによって生成されるノイズの多い領域によって容易に妨げられる。 領域の不確実性を定量化して雑音耐性半教師付き学習を提案する。 PASCAL VOCとMS COCOの併用実験により,本手法の異常な性能を実証した。
  論文  参考訳（メタデータ） (2021-11-01T13:23:42Z)
• Mixed Noise Removal with Pareto Prior [31.306541517685137]
  付加白色ガウスノイズ (AWGN) と雑音インパルス (IN) の混合により汚染された画像のノイズ化は必須だが難しい問題である。 既存の方法は、重み付け行列を導入することにより、INの効果を補償する。 重み付け行列の先行値に基づく混合雑音除去のための高精度で頑健な重み推定器を提案する。
  論文  参考訳（メタデータ） (2020-08-27T06:35:15Z)
• Simultaneous Denoising and Dereverberation Using Deep Embedding Features [64.58693911070228]
  ディープ埋め込み特徴を用いた同時発声・発声同時学習法を提案する。 ノイズ発生段階では、DCネットワークを利用してノイズのないディープ埋込み特性を抽出する。 残響段階では、教師なしのK平均クラスタリングアルゴリズムの代わりに、別のニューラルネットワークを用いて無響音声を推定する。
  論文  参考訳（メタデータ） (2020-04-06T06:34:01Z)

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。