論文の概要: FAFE: Immune Complex Modeling with Geodesic Distance Loss on Noisy Group Frames
- arxiv url: http://arxiv.org/abs/2407.01649v1
- Date: Mon, 1 Jul 2024 06:47:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-03 19:52:16.180823
- Title: FAFE: Immune Complex Modeling with Geodesic Distance Loss on Noisy Group Frames
- Title（参考訳）: FAFE:ノイズ群フレーム上の測地距離損失を用いた免疫複合体モデリング
- Authors: Ruidong Wu, Ruihan Guo, Rui Wang, Shitong Luo, Yue Xu, Jiahan Li, Jianzhu Ma, Qiang Liu, Yunan Luo, Jian Peng,
- Abstract要約: FAPE(Frame Aligned Point Error)として知られるAF2の一次損失関数の解析
フレームアラインドフレームエラー(FAFE)と呼ばれる新しい測地損失を提案する。
評価セットで52.3%(DockQ $>$ 0.23)、低ホモロジーのサブセットで43.8%の正レートを達成し、それぞれAF2を182%、100%と大幅に改善した。
- 参考スコア（独自算出の注目度）: 33.957557546297636
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite the striking success of general protein folding models such as AlphaFold2(AF2, Jumper et al. (2021)), the accurate computational modeling of antibody-antigen complexes remains a challenging task. In this paper, we first analyze AF2's primary loss function, known as the Frame Aligned Point Error (FAPE), and raise a previously overlooked issue that FAPE tends to face gradient vanishing problem on high-rotational-error targets. To address this fundamental limitation, we propose a novel geodesic loss called Frame Aligned Frame Error (FAFE, denoted as F2E to distinguish from FAPE), which enables the model to better optimize both the rotational and translational errors between two frames. We then prove that F2E can be reformulated as a group-aware geodesic loss, which translates the optimization of the residue-to-residue error to optimizing group-to-group geodesic frame distance. By fine-tuning AF2 with our proposed new loss function, we attain a correct rate of 52.3\% (DockQ $>$ 0.23) on an evaluation set and 43.8\% correct rate on a subset with low homology, with substantial improvement over AF2 by 182\% and 100\% respectively.
- Abstract（参考訳）: AlphaFold2(AF2, Jumper et al (2021))のような一般的なタンパク質の折りたたみモデルの成功にもかかわらず、抗体-抗原複合体の正確な計算モデリングは難しい課題である。
本稿では、まず、FAPE(Frame Aligned Point Error)と呼ばれるAF2の一次損失関数を解析し、FAPEが高回転誤差目標に対して勾配消滅問題に直面する傾向にあるという、これまで見過ごされていた問題を提起する。
この基本的な制限に対処するため,フレームアラインドフレームエラー(FAFE, F2E)と呼ばれる新しい測地損失を提案する。
次に、F2Eがグループ対応測地線損失として再構成可能であることを証明し、残差残差誤差の最適化をグループ間測地線距離の最適化に変換する。
提案した損失関数を用いてAF2を微調整することにより、評価セット上では52.3\%(DockQ $>$ 0.23)、低いホモロジーを持つ部分集合では43.8\%、それぞれAF2を182\%、100\%で大幅に改善した。
関連論文リスト
- SPFFNet: Strip Perception and Feature Fusion Spatial Pyramid Pooling for Fabric Defect Detection [0.0]
YOLOv11に基づくファブリック欠陥検出モデルを提案する。
SPM(Strip Perception Module)を導入し,マルチスケールのコンボリューションにより機能キャプチャを改善する。
また,適応重み付き共振器(FECIoU)の新たな拡張完全交叉法を提案する。
論文 参考訳（メタデータ） (2025-02-03T15:33:11Z) - FOF-X: Towards Real-time Detailed Human Reconstruction from a Single Image [68.84221452621674]
本稿では,1枚の画像から詳細な人物形状をリアルタイムに再現するFOF-Xを提案する。
FOF-Xはテクスチャや照明による性能劣化を避ける。
FOFとメッシュ表現間の変換アルゴリズムをラプラシアン制約とオートマトンベース不連続整合器で拡張する。
論文 参考訳（メタデータ） (2024-12-08T14:46:29Z) - BAFPN: Bi directional alignment of features to improve localization accuracy [0.0]
現在の視覚モデルは、しばしば多スケール情報を抽出するために特徴ピラミッドを利用する。
Feature Pyramid Network (FPN) は、最も広く使われている古典建築の一つである。
従来のFPNは、グローバルスケールでの空間的不整合に完全に対処できず、オブジェクトの高精度なローカライゼーションにおいて、最適以下のパフォーマンスをもたらす。
論文 参考訳（メタデータ） (2024-12-01T04:44:06Z) - Embracing Events and Frames with Hierarchical Feature Refinement Network for Object Detection [17.406051477690134]
イベントカメラはスパースと非同期のイベントを出力し、これらの問題を解決する潜在的な解決策を提供する。
イベントフレーム融合のための新しい階層的特徴改善ネットワークを提案する。
本手法は, フレーム画像に15種類の汚損タイプを導入する際に, 極めて優れたロバスト性を示す。
論文 参考訳（メタデータ） (2024-07-17T14:09:46Z) - Drago: Primal-Dual Coupled Variance Reduction for Faster Distributionally Robust Optimization [12.311794669976047]
本稿では、周期的およびランダム化されたコンポーネントと慎重に正規化された一次更新を組み合わせ、二重分散の低減を実現するプリミティブ・デュアルアルゴリズムであるDragoを提案する。
その設計のため、Dragoは、厳密な凸強凹DRO問題に対する最先端の線形収束率と、原始条件数と双対条件数へのきめ細かい依存を享受している。
論文 参考訳（メタデータ） (2024-03-16T02:06:14Z) - Align-DETR: Enhancing End-to-end Object Detection with Aligned Loss [35.11300328598727]
本稿では,モデル内の2つの重要な相違点を同定する。
両課題間の相違を解決するために,Align Lossと呼ばれる新たな損失関数を導入する。
提案手法は,ResNet-50バックボーンを用いたH-DETRベースライン上で49.3% (+0.6) APを実現する。
論文 参考訳（メタデータ） (2023-04-15T10:24:51Z) - Detecting Rotated Objects as Gaussian Distributions and Its 3-D
Generalization [81.29406957201458]
既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。
このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。
回転した物体をガウス分布としてモデル化することを提案する。
2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
論文 参考訳（メタデータ） (2022-09-22T07:50:48Z) - Label Distributionally Robust Losses for Multi-class Classification:
Consistency, Robustness and Adaptivity [55.29408396918968]
多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。
我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。
本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
論文 参考訳（メタデータ） (2021-12-30T00:27:30Z) - Learning to Estimate Hidden Motions with Global Motion Aggregation [71.12650817490318]
閉塞は、局所的な証拠に依存する光学フローアルゴリズムに重大な課題をもたらす。
最初の画像でピクセル間の長距離依存性を見つけるために,グローバルモーションアグリゲーションモジュールを導入する。
遮蔽領域における光流量推定が非遮蔽領域における性能を損なうことなく大幅に改善できることを実証した。
論文 参考訳（メタデータ） (2021-04-06T10:32:03Z) - Focal and Efficient IOU Loss for Accurate Bounding Box Regression [63.14659624634066]
オブジェクト検出では、境界ボックス回帰(BBR)はオブジェクトローカリゼーションのパフォーマンスを決定する重要なステップです。
i) $ell_n$-norm と IOU ベースのロス関数はどちらも BBR の目的を描くのに非効率的であり、これは遅い収束と不正確な回帰結果をもたらす。
論文 参考訳（メタデータ） (2021-01-20T14:33:58Z)
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。