Fugu-MT 論文翻訳(概要): Multi-View Polymer Representations for the Open Polymer Prediction

論文の概要: Multi-View Polymer Representations for the Open Polymer Prediction

arxiv url: http://arxiv.org/abs/2511.10893v2
Date: Thu, 20 Nov 2025 02:46:43 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-21 15:01:03.083941
Title: Multi-View Polymer Representations for the Open Polymer Prediction
Title（参考訳）: オープンポリマー予測のための多視点高分子表現法
Authors: Wonjin Jung, Yongseok Choi,
Abstract要約: 相補表現を利用した多視点設計により, 高分子特性の予測に対処する。本システムでは, (i) RDKit/Morgan記述子, (ii) グラフニューラルネットワーク, (iii) 3次元インフォームド表現, (iv) 事前訓練されたSMILES言語モデルという4つのファミリーを統合した。このアプローチは、NeurIPS 2025で開かれたOpen Polymer Prediction Challengeで2241チーム中9位にランクインした。
参考スコア（独自算出の注目度）: 0.6639996391156279
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We address polymer property prediction with a multi-view design that exploits complementary representations. Our system integrates four families: (i) tabular RDKit/Morgan descriptors, (ii) graph neural networks, (iii) 3D-informed representations, and (iv) pretrained SMILES language models, and averages per-property predictions via a uniform ensemble. Models are trained with 10-fold splits and evaluated with SMILES test-time augmentation. The approach ranks 9th of 2241 teams in the Open Polymer Prediction Challenge at NeurIPS 2025. The submitted ensemble achieves a public MAE of 0.057 and a private MAE of 0.082.
Abstract（参考訳）: 相補表現を利用した多視点設計により, 高分子特性の予測に対処する。私たちのシステムは4つのファミリーを統合します。 (i)表形式のRDKit/Morgan記述子 (ii)グラフニューラルネットワーク三立体インフォームド表現、及び (iv)事前訓練されたSMILES言語モデルと、一様アンサンブルによるプロパティごとの平均予測。モデルは10倍の分割でトレーニングされ、SMILESテストタイム拡張で評価される。このアプローチは、NeurIPS 2025で開かれたOpen Polymer Prediction Challengeで2241チーム中9位にランクインした。提出されたアンサンブルは0.057の公開MAEと0.082のプライベートMAEを達成する。

関連論文リスト

MolFM-Lite: Multi-Modal Molecular Property Prediction with Conformer Ensemble Attention and Cross-Modal Fusion [0.0]
MolFM-LiteはSELFIESAUC配列(1D)、分子グラフ(2D)、コンホメーラーアンサンブル(3D)を符号化するマルチモーダルモデルである。本手法の主な貢献は,(1)学習可能な注意を複数のRDKit生成コンバータ上でボルツマン先行と組み合わせたコンバータアンサンブルアテンション機構,(2)各モーダルが他のコンバータに共役できる相互融合層である。
論文参考訳（メタデータ） (2026-02-25T20:59:14Z)
STEP3-VL-10B Technical Report [115.89015065130127]
STEP3-VL-10Bは、コンパクト効率とフロンティアレベルのマルチモーダルインテリジェンスとのトレードオフを再定義する軽量基盤モデルである。そこで我々はPallel Coordinated Reasoning(PaCoRe)を実装して,テスト時間計算をスケールし,リソースをスケーラブルな知覚推論に割り当てる。 MMBenchでは92.2%、MMMUでは80.11%、AIME2025では94.43%、MathVisionでは75.95%である。
論文参考訳（メタデータ） (2026-01-14T17:58:24Z)
Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
論文参考訳（メタデータ） (2025-11-04T17:22:22Z)
Improving Predictions of Molecular Properties with Graph Featurisation and Heterogeneous Ensemble Models [0.0]
機械学習(ML)モデルの多種多様なセットから予測を集約するメタモデルフレームワークを導入する。テストされたすべての回帰データセットにおいて、我々のフレームワークが最先端のChemPropモデルより優れていることを示す。幅広い課題にまたがって最適な性能を達成するためには,汎用記述子とタスク固有の学習機能を組み合わせることが不可欠である。
論文参考訳（メタデータ） (2025-10-27T15:33:05Z)
GLM-4.5: Agentic, Reasoning, and Coding (ARC) Foundation Models [194.64264251080454]
GLM-4.5はオープンソースのMixture-of-Experts(MoE)大言語モデルであり,総パラメータは355B,アクティベートパラメータは32Bである。 23Tトークンのマルチステージトレーニングと、エキスパートモデルのイテレーションと強化学習による総合的なポストトレーニングを通じて、GLM-4.5はエージェント、推論、コーディングタスクにわたって強力なパフォーマンスを実現している。 GLM-4.5(355Bパラメータ)とGLM-4.5-Air(106Bパラメータ)をそれぞれリリースし、推論とエージェントAIシステムの研究を進めた。
論文参考訳（メタデータ） (2025-08-08T17:21:06Z)
A Unified Platform to Evaluate STDP Learning Rule and Synapse Model using Pattern Recognition in a Spiking Neural Network [0.0]
We developed a unified platform to evaluate Ideal, Linear, and Non-linear $textPr_0.7textCa_0.3textMnO_3$ memristor-based synapse model。列車セットが小さいMNISTと大型テストセットの2層SNNでは, それぞれ92.73 %, 91.07 %, 80 %の精度を実現している。
論文参考訳（メタデータ） (2025-06-24T07:10:43Z)
Expanding Performance Boundaries of Open-Source Multimodal Models with Model, Data, and Test-Time Scaling [191.7830199016589]
InternVL 2.5は、InternVL 2.0上に構築された高度マルチモーダル大規模言語モデル(MLLM)シリーズである。 InternVL 2.5は、GPT-4oやClaude-3.5-Sonnetといった主要な商用モデルと競合する競争力を持つ。このモデルが、マルチモーダルAIシステムの開発と適用のための新しい標準を設定することで、オープンソースコミュニティに貢献できることを願っています。
論文参考訳（メタデータ） (2024-12-06T18:57:08Z)
A Mixture of Exemplars Approach for Efficient Out-of-Distribution Detection with Foundation Models [0.0]
本稿では, 高品質で凍結, 事前訓練された基礎モデルを用いて, バックボーンをトレーニングする利点を最大化するためのOOD検出への効率的なアプローチを提案する。 MoLARは、OODサンプルの類似性と、データセットを表すために選択された小さなイメージの例を比較するだけで、強力なOOD検出性能を提供する。
論文参考訳（メタデータ） (2023-11-28T06:12:28Z)
Scaling Laws for Generative Mixed-Modal Language Models [103.25737824352949]
個別のモダリティの貢献とそれら間の相互作用を統一する混合モードスケーリング法則について報告する。具体的には、過去のユニモーダルスケーリング法則に対する加算項として、データとモデルサイズによる最適シナジーと競合を明示的にモデル化する。また,訓練中に観察される4つの経験的現象,例えば,自然にモダリティを交互に交互に行う創発的コーディネート・アセット・スタイル・トレーニングを見出した。
論文参考訳（メタデータ） (2023-01-10T00:20:06Z)
Heterogenous Ensemble of Models for Molecular Property Prediction [55.91865861896012]
分子の異なるモーダル性を考える手法を提案する。これらのモデルをHuberRegressorでアンサンブルします。これにより、OGB Large-Scale Challenge (2022)の2textsuperscriptndエディションの勝利のソリューションが得られる。
論文参考訳（メタデータ） (2022-11-20T17:25:26Z)
On Graph Neural Network Ensembles for Large-Scale Molecular Property Prediction [0.0]
PCQM4M-LSCデータセットは、約3.8Mグラフ上の分子HOMO-LUMO特性予測タスクを定義する。 3つのグラフニューラルネットワークモデルのアンサンブルを構築する、現行のワーク・イン・プログレス・ソリューションを紹介します。
論文参考訳（メタデータ） (2021-06-29T15:58:34Z)

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。