論文の概要: Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation

• arxiv url: http://arxiv.org/abs/2509.09451v1
• Date: Thu, 11 Sep 2025 13:37:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.399355
• Title: Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation
• Title（参考訳）: 多成分分子生成のための合成可能スコアグラフ拡散モデル
• Authors: Anjie Qiao, Zhen Wang, Chuan Chen, DeFu Lian, Enhong Chen,
• Abstract要約: 本研究では,具体的スコアを用いてスコアマッチングを離散グラフに拡張するComposable Score-based Graph Diffusion Model (CSGD)を提案する。 CSGDは従来の手法よりも平均15.3%の制御性向上を実現していることを示す。 本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。
• 参考スコア（独自算出の注目度）: 85.58520120011269
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Controllable molecular graph generation is essential for material and drug discovery, where generated molecules must satisfy diverse property constraints. While recent advances in graph diffusion models have improved generation quality, their effectiveness in multi-conditional settings remains limited due to reliance on joint conditioning or continuous relaxations that compromise fidelity. To address these limitations, we propose Composable Score-based Graph Diffusion model (CSGD), the first model that extends score matching to discrete graphs via concrete scores, enabling flexible and principled manipulation of conditional guidance. Building on this foundation, we introduce two score-based techniques: Composable Guidance (CoG), which allows fine-grained control over arbitrary subsets of conditions during sampling, and Probability Calibration (PC), which adjusts estimated transition probabilities to mitigate train-test mismatches. Empirical results on four molecular datasets show that CSGD achieves state-of-the-art performance, with a 15.3% average improvement in controllability over prior methods, while maintaining high validity and distributional fidelity. Our findings highlight the practical advantages of score-based modeling for discrete graph generation and its capacity for flexible, multi-property molecular design.
• Abstract（参考訳）: 制御可能な分子グラフ生成は物質や薬物の発見に不可欠であり、生成した分子は多様な性質の制約を満たす必要がある。 近年のグラフ拡散モデルでは生成品質が向上しているが, 連続条件や連続緩和に依存するため, マルチ条件設定の有効性は制限されている。 これらの制約に対処するため,コンストラクタブルスコアベースグラフ拡散モデル (CSGD) を提案する。 この基盤を基盤として、サンプリング中の任意の条件のサブセットをきめ細かな制御を可能にするComposable Guidance(CoG)と、列車のミスマッチを緩和するために推定遷移確率を調整するProbability Calibration(PC)という2つのスコアベースの手法を導入する。 4つの分子データセットの実証的な結果から、CSGDは最先端の性能を達成し、従来の手法よりも平均15.3%の制御性が向上し、高い妥当性と分布忠実性を維持している。 本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。

関連論文リスト

• Efficient Perplexity Bound and Ratio Matching in Discrete Diffusion Language Models [0.0]
  データと学習分布のKL分散に関する3つの新しい定理を導入する。 クリーンなデータと破損したデータの相互エントロピーを最小化することにより、スコアエントロピーを利用したモデルよりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2025-07-06T10:54:37Z)
• Graph Diffusion that can Insert and Delete [14.488714063757278]
  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。
  論文  参考訳（メタデータ） (2025-06-06T19:45:45Z)
• Derivative-Free Diffusion Manifold-Constrained Gradient for Unified XAI [59.96044730204345]
  微分自由拡散多様体制約勾配(FreeMCG)を導入する。 FreeMCGは、与えられたニューラルネットワークの説明可能性を改善する基盤として機能する。 提案手法は,XAIツールが期待する本質性を保ちながら,最先端の成果が得られることを示す。
  論文  参考訳（メタデータ） (2024-11-22T11:15:14Z)
• Scoreformer: A Surrogate Model For Large-Scale Prediction of Docking Scores [0.0]
  分子ドッキングスコアを正確に予測するために設計された新しいグラフトランスフォーマモデルであるScoreFormerを提案する。 ScoreFormerはドッキングスコア予測の競争性能を達成し、既存のモデルに比べて1.65倍の推論時間削減を実現している。
  論文  参考訳（メタデータ） (2024-06-13T17:31:02Z)
• Equivariant Denoisers Cannot Copy Graphs: Align Your Graph Diffusion Models [24.912841472542322]
  グラフ生成モデリングにおいて支配的なグラフ拡散モデルは、グラフからグラフへの変換タスクにおいて未探索のままである。 本研究では,アライメントが離散拡散モデルの性能を5%から54.7%まで劇的に向上させることを示す。
  論文  参考訳（メタデータ） (2024-05-27T20:57:19Z)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
  チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。 我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
  論文  参考訳（メタデータ） (2023-04-07T15:17:48Z)
• 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)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)

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。