論文の概要: Graph Diffusion that can Insert and Delete

• arxiv url: http://arxiv.org/abs/2506.15725v1
• Date: Fri, 06 Jun 2025 19:45:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-29 09:28:14.800208
• Title: Graph Diffusion that can Insert and Delete
• Title（参考訳）: 挿入と削除が可能なグラフ拡散
• Authors: Matteo Ninniri, Marco Podda, Davide Bacciu,
• Abstract要約: 離散 Denoising Diffusion Probabilistic Models (DDPM) に基づくグラフの生成モデルは、分子生成に対する原則的なアプローチを提供する。 本稿では,ノードの単調な挿入と削除をサポートするため,ノイズ発生処理とノイズ発生処理を再構成する。 GrIDDDと呼ばれる結果のモデルは、生成中に化学グラフを動的に成長または縮小します。
• 参考スコア（独自算出の注目度）: 14.488714063757278
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models of graphs based on discrete Denoising Diffusion Probabilistic Models (DDPMs) offer a principled approach to molecular generation by systematically removing structural noise through iterative atom and bond adjustments. However, existing formulations are fundamentally limited by their inability to adapt the graph size (that is, the number of atoms) during the diffusion process, severely restricting their effectiveness in conditional generation scenarios such as property-driven molecular design, where the targeted property often correlates with the molecular size. In this paper, we reformulate the noising and denoising processes to support monotonic insertion and deletion of nodes. The resulting model, which we call GrIDDD, dynamically grows or shrinks the chemical graph during generation. GrIDDD matches or exceeds the performance of existing graph diffusion models on molecular property targeting despite being trained on a more difficult problem. Furthermore, when applied to molecular optimization, GrIDDD exhibits competitive performance compared to specialized optimization models. This work paves the way for size-adaptive molecular generation with graph diffusion.
• Abstract（参考訳）: 離散化拡散確率モデル(DDPM)に基づくグラフの生成モデルは、反復原子や結合調整を通じて構造ノイズを体系的に除去することで、分子生成に原則化されたアプローチを提供する。 しかし、既存の定式化は、拡散過程においてグラフサイズ(すなわち原子の数)を適応できないため、性質駆動分子設計のような条件生成シナリオにおいて、その効果を著しく制限している。 本稿では,ノードの単調な挿入と削除をサポートするため,ノイズ発生処理とノイズ発生処理を再構成する。 GrIDDDと呼ばれる結果のモデルは、生成中に化学グラフを動的に成長または縮小します。 GrIDDDは、より難しい問題でトレーニングされているにもかかわらず、分子特性ターゲティングにおける既存のグラフ拡散モデルの性能に一致または超えている。 さらに、分子最適化に適用すると、GrIDDDは特別な最適化モデルと比較して競合性能を示す。 この研究は、グラフ拡散を伴うサイズ適応分子生成の道を開いた。

関連論文リスト

• Simple and Critical Iterative Denoising: A Recasting of Discrete Diffusion in Graph Generation [0.0]
  中間ノイズ状態間の依存関係は、逆ノイズ化プロセス中にエラーの蓄積と伝播を引き起こす。 本稿では, 離散拡散を単純化し, 問題を回避し, 簡易反復分解という新しい枠組みを提案する。 実験により,提案手法はグラフ生成タスクにおいて既存の離散拡散ベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-03-27T15:08:58Z)
• 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)
• Graph Diffusion Transformers for Multi-Conditional Molecular Generation [16.58392955245203]
  多条件分子生成のためのグラフ拡散変換器(Graph DiT)を提案する。 Graph DiTはエンコーダを統合し、数値的および分類的プロパティ表現とTransformerベースのデノイザを学習する。 その結果、分布学習から分子特性の条件制御まで、9つの指標にまたがるグラフDiTの優位性が示された。
  論文  参考訳（メタデータ） (2024-01-24T23:45:31Z)
• Swallowing the Bitter Pill: Simplified Scalable Conformer Generation [12.341835649897886]
  分子コンホメータを簡易な定式化により予測する新しい手法を提案する。 構造学習を根本的に単純化し、モデルサイズのスケールアップを簡単にできます。 このモデルは、分子コンフォーマー場(MCF)と呼ばれ、コンフォーマー構造を分子グラフから空間内の3D位置に直接マッピングする関数としてパラメータ化することで機能する。
  論文  参考訳（メタデータ） (2023-11-27T22:53:41Z)
• Conditional Diffusion Based on Discrete Graph Structures for Molecular Graph Generation [32.66694406638287]
  分子グラフ生成のための離散グラフ構造(CDGS)に基づく条件拡散モデルを提案する。 具体的には、微分方程式(SDE)を用いて、グラフ構造と固有の特徴の両方に対して前方グラフ拡散過程を構築する。 本稿では,中間グラフ状態からグローバルコンテキストと局所ノードエッジ依存性を抽出する,特殊なハイブリッドグラフノイズ予測モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-01T15:24:15Z)
• 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)
• 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)
• 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。