論文の概要: DMol: A Schedule-Driven Diffusion Model for Highly Efficient and Versatile Molecule Generation

• arxiv url: http://arxiv.org/abs/2504.06312v1
• Date: Tue, 08 Apr 2025 03:31:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-18 00:59:46.848088
• Title: DMol: A Schedule-Driven Diffusion Model for Highly Efficient and Versatile Molecule Generation
• Title（参考訳）: DMol:高効率で可逆な分子生成のためのスケジュール駆動拡散モデル
• Authors: Peizhi Niu, Yu-Hsiang Wang, Vishal Rana, Chetan Rupakheti, Abhishek Pandey, Olgica Milenkovic,
• Abstract要約: 本稿では,小分子生成のための新しいグラフ拡散モデルemphDMolを提案する。 すべてのベンチマークデータセットに対して約1.5%の妥当性で、最先端のDiGressモデルを上回っている。 これにより、拡散ステップの数を少なくとも10$-foldに減らし、ランニング時間はおよそ半分に短縮される。
• 参考スコア（独自算出の注目度）: 19.420586380513374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a new graph diffusion model for small molecule generation, \emph{DMol}, which outperforms the state-of-the-art DiGress model in terms of validity by roughly $1.5\%$ across all benchmarking datasets while reducing the number of diffusion steps by at least $10$-fold, and the running time to roughly one half. The performance improvements are a result of a careful change in the objective function and a ``graph noise" scheduling approach which, at each diffusion step, allows one to only change a subset of nodes of varying size in the molecule graph. Another relevant property of the method is that it can be easily combined with junction-tree-like graph representations that arise by compressing a collection of relevant ring structures into supernodes. Unlike classical junction-tree techniques that involve VAEs and require complicated reconstruction steps, compressed DMol directly performs graph diffusion on a graph that compresses only a carefully selected set of frequent carbon rings into supernodes, which results in straightforward sample generation. This compressed DMol method offers additional validity improvements over generic DMol of roughly $2\%$, increases the novelty of the method, and further improves the running time due to reductions in the graph size.
• Abstract（参考訳）: そこで我々は,小分子生成のためのグラフ拡散モデル \emph{DMol} を導入し,全ベンチマークデータセットに対して約1.5 %の精度でDGressモデルより優れ,拡散ステップの数を少なくとも10$-fold,ランニングタイムを約半分に短縮した。 性能改善は、目的関数の慎重な変更と「グラフノイズ」スケジューリングのアプローチの結果であり、各拡散ステップでは、分子グラフの異なるサイズのノードのサブセットだけを変更できる。 この方法のもう1つの関連する性質は、関連する環構造の集合をスーパーノードに圧縮することで生じるジャンクションツリーのようなグラフ表現と簡単に組み合わせることができることである。 VAEと複雑な再構成ステップを必要とする古典的なジャンクションツリー技術とは異なり、圧縮されたDMolはグラフ上で直接グラフ拡散を行い、慎重に選択された炭素環の集合だけをスーパーノードに圧縮する。 この圧縮DMol法は, ジェネリックDMolの約$2\%の妥当性を向上し, 新規性を向上し, グラフサイズ削減による走行時間を向上する。

関連論文リスト

• JTreeformer: Graph-Transformer via Latent-Diffusion Model for Molecular Generation [17.268526939713105]
  本稿では,グラフ生成を接合木生成に変換する際に,TextbfJTreeformerと呼ぶ,分子生成のためのグラフトランスフォーマーベースのフレームワークを構築することに焦点を当てる。 有向非環状GCNをグラフベースのトランスフォーマーに統合してデコーダとして機能し、各ステップで部分的に構築された分子構造からの情報を活用することで分子全体を反復的に合成することができる。
  論文  参考訳（メタデータ） (2025-04-29T13:51:07Z)
• Training-free Heterogeneous Graph Condensation via Data Selection [74.06562124781104]
  本稿では, 高速かつ高品質な不均質凝縮グラフ生成を容易にする, FreeHGC と呼ばれる, 基礎となる不均質グラフ凝縮法について紹介する。 具体的には、不均質グラフの凝縮問題をデータ選択問題として再構成し、不均質グラフにおける代表ノードとエッジを評価し、凝縮するための新たな視点を提供する。
  論文  参考訳（メタデータ） (2024-12-20T02:49:32Z)
• Tuning Timestep-Distilled Diffusion Model Using Pairwise Sample Optimization [97.35427957922714]
  任意の時間ステップ蒸留拡散モデルを直接微調整できるPSOアルゴリズムを提案する。 PSOは、現在の時間ステップ蒸留モデルからサンプリングされた追加の参照画像を導入し、トレーニング画像と参照画像との相対的な近縁率を増大させる。 PSOは、オフラインとオンラインのペアワイズ画像データの両方を用いて、蒸留モデルを直接人間の好ましくない世代に適応させることができることを示す。
  論文  参考訳（メタデータ） (2024-10-04T07:05:16Z)
• IFH: a Diffusion Framework for Flexible Design of Graph Generative Models [53.219279193440734]
  グラフ生成モデルは,1行にグラフを生成するワンショットモデルと,ノードとエッジの連続的な付加によるグラフを生成するシーケンシャルモデルという,2つの顕著なファミリーに分類される。 本稿では,逐次度を規定するグラフ生成モデルであるInsert-Fill-Halt(IFH)を提案する。
  論文  参考訳（メタデータ） (2024-08-23T16:24:40Z)
• Advancing Graph Generation through Beta Diffusion [49.49740940068255]
  Graph Beta Diffusion (GBD)は、グラフデータの多様な性質を扱うために特別に設計された生成モデルである。 本稿では, 臨界グラフトポロジを安定化させることにより, 生成グラフの現実性を高める変調手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T17:42:57Z)
• Cometh: A continuous-time discrete-state graph diffusion model [8.444907767842228]
  グラフデータの特異性に合わせて連続時間離散状態グラフ拡散モデルであるCometを提案する。 VUNサンプルの面では、Cometは平面グラフデータセットで99.5%のほぼ完全なパフォーマンスを取得し、大きなGuacaMolデータセットでDiGressを12.6%上回っている。
  論文  参考訳（メタデータ） (2024-06-10T16:39:39Z)
• Autoregressive Diffusion Model for Graph Generation [12.390149720274904]
  本稿では,グラフ生成のための自己回帰拡散モデルを提案する。 既存の方法とは異なり、離散グラフ空間内で直接動作するノード吸収拡散プロセスを定義する。 6つの多種多様なグラフデータセットと2つの分子データセットに関する実験は、我々のモデルが過去の最先端技術よりも優れた、あるいは同等な生成性能を達成していることを示している。
  論文  参考訳（メタデータ） (2023-07-17T21:21:18Z)
• Graph Generation with Diffusion Mixture [57.78958552860948]
  グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。 本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-07T17:07:46Z)
• DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
  DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。 分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。 また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
  論文  参考訳（メタデータ） (2022-09-29T12:55:03Z)
• Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
  本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
  論文  参考訳（メタデータ） (2022-02-05T08:21:04Z)

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。