論文の概要: Safe Multitask Molecular Graph Networks for Vapor Pressure and Odor Threshold Prediction

• arxiv url: http://arxiv.org/abs/2601.16426v1
• Date: Fri, 23 Jan 2026 03:51:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.530419
• Title: Safe Multitask Molecular Graph Networks for Vapor Pressure and Odor Threshold Prediction
• Title（参考訳）: 蒸気圧および臭気閾値予測のための安全なマルチタスク分子グラフネットワーク
• Authors: Shuang Wu, Meijie Wang, Lun Yu,
• Abstract要約: A20/E17分子グラフの特徴(20次元原子の特徴+17次元結合特徴)を導入し,GINEとPNAのバックボーンを体系的に比較した。 マルチタスクトレーニングでは,主タスクとしてVP,副タスクとしてOP,遅延アクティベーション+勾配クリッピング+小さなウェイトを用いて**"セーフなマルチタスク**アプローチを提案する。
• 参考スコア（独自算出の注目度）: 6.136058301345827
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We investigate two important tasks in odor-related property modeling: Vapor Pressure (VP) and Odor Threshold (OP). To evaluate the model's out-of-distribution (OOD) capability, we adopt the Bemis-Murcko scaffold split. In terms of features, we introduce the rich A20/E17 molecular graph features (20-dimensional atom features + 17-dimensional bond features) and systematically compare GINE and PNA backbones. The results show: for VP, PNA with a simple regression head achieves Val MSE $\approx$ 0.21 (normalized space); for the OP single task under the same scaffold split, using A20/E17 with robust training (Huber/winsor) achieves Val MSE $\approx$ 0.60-0.61. For multitask training, we propose a **"safe multitask"** approach: VP as the primary task and OP as the auxiliary task, using delayed activation + gradient clipping + small weight, which avoids harming the primary task and simultaneously yields the best VP generalization performance. This paper provides complete reproducible experiments, ablation studies, and error-similarity analysis while discussing the impact of data noise and method limitations.
• Abstract（参考訳）: 本稿では, 匂い関連特性モデリングにおける2つの重要な課題として, 蒸気圧(VP)と臭気閾値(OP)について検討する。 モデルのアウト・オブ・ディストリビューション(OOD)能力を評価するために,Bemis-Murckoスキャフォールドスプリットを採用する。 特徴としては、リッチなA20/E17分子グラフの特徴(20次元原子の特徴+17次元結合特徴)を導入し、GINEとPNAのバックボーンを体系的に比較する。 VP の場合、単純な回帰ヘッドを持つ PNA は Val MSE $\approx$ 0.21 (正規化された空間) を達成する。 マルチタスクトレーニングでは,主タスクとしてVP,副タスクとしてOP,遅延アクティベーション+勾配クリッピング+小重量化を用いて,主タスクを損なわず,同時に最高のVP一般化性能が得られる,**"安全マルチタスク**アプローチを提案する。 本稿では、データノイズとメソッド制限の影響を議論しながら、再現性のある完全な実験、アブレーション研究、エラー類似性分析を提供する。

関連論文リスト

• VAPO: Efficient and Reliable Reinforcement Learning for Advanced Reasoning Tasks [49.0793012627959]
  本稿では,価値に基づくパラダイム内での推論モデルに適した新しいフレームワークVAPOを提案する。 VAPOは最先端のスコアが$mathbf60.4$に達する。 同じ実験条件下で直接比較すると、VAPOはDeepSeek-R1-Zero-Qwen-32BとDAPOの結果を10点以上上回っている。
  論文  参考訳（メタデータ） (2025-04-07T14:21:11Z)
• MASS: MoErging through Adaptive Subspace Selection [55.03293736484465]
  モデルマージの新しいアプローチであるMASS(MoErging through Adaptive Subspace Selection)を提案する。 MASSはタスクごとに最も健全な特異なコンポーネントのみを格納し、それらを共有モデルにマージする。 我々は,8,14,20タスクのベンチマークに対して,ViT-B-16,ViT-B-32,ViT-L-14を用いて,CLIPに基づく画像分類のMASSを評価する。
  論文  参考訳（メタデータ） (2025-04-06T08:49:52Z)
• AutoVP: An Automated Visual Prompting Framework and Benchmark [66.5618543577204]
  ビジュアルプロンプト(VP)は、様々な下流画像分類タスクを解決するために、事前訓練された視覚モデルを適用するための、パラメータ効率の高い微調整手法である。 本稿では,VP設計選択を自動化するエンドツーエンド拡張可能なフレームワークであるAutoVPと,12のダウンストリーム画像分類タスクを提案する。 実験の結果,AutoVPは,現在よく知られているVP手法よりもかなり優れていることがわかった。
  論文  参考訳（メタデータ） (2023-10-12T14:55:31Z)
• Hierarchical Side-Tuning for Vision Transformers [33.536948382414316]
  微調整された事前訓練された視覚変換器(ViTs)は、視覚認識タスクの強化に大きく貢献している。 PETLは、完全な微調整に比べてパラメータ更新が少なく、高いパフォーマンスを実現する可能性がある。 本稿では,多様な下流タスクへのVTモデルの転送を容易にする革新的PETL手法である階層側チューニング(HST)を紹介する。
  論文  参考訳（メタデータ） (2023-10-09T04:16:35Z)

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。