論文の概要: Diffusion-Driven Domain Adaptation for Generating 3D Molecules

• arxiv url: http://arxiv.org/abs/2404.00962v1
• Date: Mon, 1 Apr 2024 07:12:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-03 23:06:39.319333
• Title: Diffusion-Driven Domain Adaptation for Generating 3D Molecules
• Title（参考訳）: 拡散駆動型3次元分子生成領域適応
• Authors: Haokai Hong, Wanyu Lin, Kay Chen Tan,
• Abstract要約: この研究はGADMと呼ばれる新規で原則化された拡散に基づくアプローチを示し、生成モデルを新しい領域にシフトさせることを可能にする。 これらの符号化されたドメインスーパーバイザにより、GADMは所望の新しいドメイン内で有効な分子を生成できることが示される。
• 参考スコア（独自算出の注目度）: 25.89095414975696
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Can we train a molecule generator that can generate 3D molecules from a new domain, circumventing the need to collect data? This problem can be cast as the problem of domain adaptive molecule generation. This work presents a novel and principled diffusion-based approach, called GADM, that allows shifting a generative model to desired new domains without the need to collect even a single molecule. As the domain shift is typically caused by the structure variations of molecules, e.g., scaffold variations, we leverage a designated equivariant masked autoencoder (MAE) along with various masking strategies to capture the structural-grained representations of the in-domain varieties. In particular, with an asymmetric encoder-decoder module, the MAE can generalize to unseen structure variations from the target domains. These structure variations are encoded with an equivariant encoder and treated as domain supervisors to control denoising. We show that, with these encoded structural-grained domain supervisors, GADM can generate effective molecules within the desired new domains. We conduct extensive experiments across various domain adaptation tasks over benchmarking datasets. We show that our approach can improve up to 65.6% in terms of success rate defined based on molecular validity, uniqueness, and novelty compared to alternative baselines.
• Abstract（参考訳）: 新たなドメインから3D分子を生成できる分子生成装置をトレーニングして、データ収集の必要を回避できるだろうか? この問題は、ドメイン適応分子生成の問題として考えられる。 この研究は、GADMと呼ばれる新規で原則化された拡散に基づくアプローチを示し、単一の分子を収集しなくても、生成モデルを新しい領域に移行することができる。 ドメインシフトは通常、分子の構造変化(例えば、足場の変化)によって引き起こされるため、指定された同変マスキングオートエンコーダ(MAE)と様々なマスキング戦略を利用して、ドメイン内の多様体の構造的粒度の表現を捉える。 特に、非対称エンコーダデコーダモジュールを使用すると、MAEはターゲットドメインから見つからない構造変化を一般化することができる。 これらの構造変化は、等変エンコーダでエンコードされ、ドメインスーパーバイザとして扱われる。 これらの符号化されたドメインスーパーバイザにより、GADMは所望の新しいドメイン内で有効な分子を生成できることが示される。 ベンチマークデータセット上で、様々な領域適応タスクに対して広範な実験を行う。 本手法は, 分子的妥当性, 特異性, 新規性に基づく成功率において, オルタナティブベースラインと比較して最大65.6%向上できることを示す。

関連論文リスト

• Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
  Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。 適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
  論文  参考訳（メタデータ） (2024-11-01T12:59:25Z)
• UniHDA: A Unified and Versatile Framework for Multi-Modal Hybrid Domain Adaptation [22.003900281544766]
  提案するUniHDAは,複数のドメインからのマルチモーダル参照を持つハイブリッドドメインを生成可能なフレームワークである。 我々のフレームワークはジェネレータに依存しず、StyleGAN, EG3D, Diffusion Modelsなどの複数のジェネレータに汎用的です。
  論文  参考訳（メタデータ） (2024-01-23T09:49:24Z)
• Learning Modulated Transformation in GANs [69.95217723100413]
  生成逆数ネットワーク(GAN)のジェネレータに、変調変換モジュール(Modulated transformation module, MTM)と呼ばれるプラグアンドプレイモジュールを装備する。 MTMは、可変位置で畳み込み操作を適用可能な潜在符号の制御下で空間オフセットを予測する。 挑戦的なTaiChiデータセット上での人為的な生成に向けて、StyleGAN3のFIDを21.36から13.60に改善し、変調幾何変換の学習の有効性を実証した。
  論文  参考訳（メタデータ） (2023-08-29T17:51:22Z)
• Compositional Semantic Mix for Domain Adaptation in Point Cloud Segmentation [65.78246406460305]
  合成意味混合は、ポイントクラウドセグメンテーションのための最初の教師なし領域適応技術である。 本稿では、ソースドメイン(例えば合成)からの点雲とターゲットドメイン(例えば実世界)からの点雲を同時に処理できる2分岐対称ネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-08-28T14:43:36Z)
• Coarse-to-Fine: a Hierarchical Diffusion Model for Molecule Generation in 3D [38.181969810488916]
  既存の方法は通常、原子分解能の分子を生成し、環のような固有の局所構造を無視する。 フラグメントに基づく分子生成は有望な戦略であるが、3D非自己回帰世代に適応することは容易ではない。 本稿では,この問題を解決するために,階層的拡散モデル(HierDiff)を提案する。
  論文  参考訳（メタデータ） (2023-05-05T13:08:38Z)
• Geometry-Complete Diffusion for 3D Molecule Generation and Optimization [3.8366697175402225]
  3次元分子生成のための幾何-完全拡散モデル(GCDM)を導入する。 GCDMは、既存の3次元分子拡散モデルよりも条件および非条件設定間で大きなマージンで優れている。 また、GCDMの幾何学的特徴は、既存の3次元分子の幾何学的および化学組成を一貫して最適化するために再利用可能であることも示している。
  論文  参考訳（メタデータ） (2023-02-08T20:01:51Z)
• Domain Re-Modulation for Few-Shot Generative Domain Adaptation [71.47730150327818]
  生成ドメイン適応(Generative Domain Adaptation, GDA)は、トレーニング済みのジェネレータを、いくつかの参照イメージのみを使用して、ひとつのドメインから新しいドメインに転送する。 人間の脳が新しいドメインの知識を得る方法に触発されて、ドメイン再構成(DoRM)と呼ばれる革新的なジェネレータ構造を提示する。 DoRMは、高品質、大規模な合成の多様性、ドメイン間の整合性の基準を満たすだけでなく、メモリとドメインの関連も含んでいる。
  論文  参考訳（メタデータ） (2023-02-06T03:55:35Z)
• 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)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)

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。