論文の概要: Pullback Flow Matching on Data Manifolds

• arxiv url: http://arxiv.org/abs/2410.04543v1
• Date: Sun, 6 Oct 2024 16:41:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-02 06:46:25.725771
• Title: Pullback Flow Matching on Data Manifolds
• Title（参考訳）: データマニフォールド上のプルバックフローマッチング
• Authors: Friso de Kruiff, Erik Bekkers, Ozan Öktem, Carola-Bibiane Schönlieb, Willem Diepeveen,
• Abstract要約: プルバックフローマッチング(Pullback Flow Matching、PFM)は、データ多様体上の生成モデリングのためのフレームワークである。 PFMの有効性を、合成、データダイナミクス、タンパク質配列データに適用し、特定の性質を持つ新規なタンパク質を生成することによって実証する。 本手法は, 創薬・材料科学に強い可能性を示し, 特定の性質を持つ新規試料の生成に大きな関心を寄せている。
• 参考スコア（独自算出の注目度）: 10.187244125099479
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose Pullback Flow Matching (PFM), a novel framework for generative modeling on data manifolds. Unlike existing methods that assume or learn restrictive closed-form manifold mappings for training Riemannian Flow Matching (RFM) models, PFM leverages pullback geometry and isometric learning to preserve the underlying manifold's geometry while enabling efficient generation and precise interpolation in latent space. This approach not only facilitates closed-form mappings on the data manifold but also allows for designable latent spaces, using assumed metrics on both data and latent manifolds. By enhancing isometric learning through Neural ODEs and proposing a scalable training objective, we achieve a latent space more suitable for interpolation, leading to improved manifold learning and generative performance. We demonstrate PFM's effectiveness through applications in synthetic data, protein dynamics and protein sequence data, generating novel proteins with specific properties. This method shows strong potential for drug discovery and materials science, where generating novel samples with specific properties is of great interest.
• Abstract（参考訳）: データ多様体生成のための新しいフレームワークであるPullback Flow Matching (PFM)を提案する。 リーマンフローマッチング(RFM)モデルを訓練するための制限的閉形式多様体写像を仮定または学習する既存の方法とは異なり、PFMは引き戻し幾何学と等長学習を活用して、下層の多様体の幾何学を保存し、潜在空間における効率的な生成と正確な補間を可能にする。 このアプローチは、データ多様体上の閉形式写像を促進するだけでなく、データ多様体と潜在多様体の両方で仮定された測度を用いて、設計可能な潜在空間を可能にする。 ニューラルネットワークによる等尺学習を強化し、スケーラブルな学習目標を提案することにより、補間に適した潜時空間を実現し、多様体学習と生成性能を向上させる。 PFMの有効性は, 合成データ, タンパク質動態, タンパク質配列データに応用し, 特定の性質を持つ新規タンパク質を生成することによって実証する。 本手法は, 特定の性質を持つ新規試料を生成できることが注目される, 医薬品の発見と材料科学に強い可能性を示す。

関連論文リスト

• MING: A Functional Approach to Learning Molecular Generative Models [46.189683355768736]
  本稿では,関数表現に基づく分子生成モデル学習のための新しいパラダイムを提案する。 本稿では,関数空間における分子分布を学習する拡散モデルである分子インプリシットニューラルジェネレーション(MING)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T13:02:02Z)
• Generative Modeling on Manifolds Through Mixture of Riemannian Diffusion Processes [57.396578974401734]
  一般多様体上に生成拡散過程を構築するための原理的枠組みを導入する。 従来の拡散モデルの認知的アプローチに従う代わりに、橋梁プロセスの混合を用いて拡散過程を構築する。 混合過程を幾何学的に理解し,データ点への接する方向の重み付け平均としてドリフトを導出する。
  論文  参考訳（メタデータ） (2023-10-11T06:04:40Z)
• Neural FIM for learning Fisher Information Metrics from point cloud data [71.07939200676199]
  我々は、ポイントクラウドデータからフィッシャー情報量(FIM)を計算するためのニューラルFIMを提案する。 本稿では,PHATE可視化手法のパラメータの選択と,IPSCリプログラミングとPBMC(免疫細胞)の2つの単一セルデータセットと,おもちゃデータセットの分岐点とクラスタセンターの埋め込みに関する情報を得る能力について述べる。
  論文  参考訳（メタデータ） (2023-06-01T17:36:13Z)
• A Heat Diffusion Perspective on Geodesic Preserving Dimensionality Reduction [66.21060114843202]
  熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。 その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。 また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-30T13:58:50Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Deep Kernel Methods Learn Better: From Cards to Process Optimization [0.7587345054583298]
  能動学習によるDKLはよりコンパクトでスムーズな潜在空間が得られることを示す。 簡単なカードデータセットを用いてこの挙動を実証し、物理系におけるドメイン生成軌道の最適化に拡張する。
  論文  参考訳（メタデータ） (2023-03-25T20:21:29Z)
• Nonlinear Isometric Manifold Learning for Injective Normalizing Flows [58.720142291102135]
  アイソメトリーを用いて、多様体学習と密度推定を分離する。 また、確率分布を歪ませない明示的な逆数を持つ埋め込みを設計するためにオートエンコーダを用いる。
  論文  参考訳（メタデータ） (2022-03-08T08:57:43Z)
• Inferring Manifolds From Noisy Data Using Gaussian Processes [17.166283428199634]
  ほとんどの既存の多様体学習アルゴリズムは、元のデータを低次元座標で置き換える。 本稿では,これらの問題に対処するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-10-14T15:50:38Z)
• Moser Flow: Divergence-based Generative Modeling on Manifolds [49.04974733536027]
  Moser Flow (MF) は連続正規化フロー(CNF)ファミリーにおける新しい生成モデルのクラスである MFは、訓練中にODEソルバを介して呼び出しやバックプロパゲートを必要としない。 一般曲面からのサンプリングにおけるフローモデルの利用を初めて実演する。
  論文  参考訳（メタデータ） (2021-08-18T09:00:24Z)
• Characterizing the Latent Space of Molecular Deep Generative Models with Persistent Homology Metrics [21.95240820041655]
  変分オート(VAE)は、エンコーダとデコーダのネットワークペアをトレーニングデータ分散の再構築のために訓練する生成モデルである。 本研究では, 深部生成モデルの潜伏空間が, 構造的および化学的特徴をエンコードできるかどうかを計測する手法を提案する。
  論文  参考訳（メタデータ） (2020-10-18T13:33:02Z)

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。