論文の概要: Neural Proposals, Symbolic Guarantees: Neuro-Symbolic Graph Generation with Hard Constraints

• arxiv url: http://arxiv.org/abs/2602.16954v1
• Date: Wed, 18 Feb 2026 23:37:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.521081
• Title: Neural Proposals, Symbolic Guarantees: Neuro-Symbolic Graph Generation with Hard Constraints
• Title（参考訳）: ニューラル・プロポーザル, シンボリック・ガーラント:ハード制約を用いたニューロ・シンボリックグラフ生成
• Authors: Chuqin Geng, Li Zhang, Mark Zhang, Haolin Ye, Ziyu Zhao, Xujie Si,
• Abstract要約: 本稿では,分子生成を足場として再適応するニューロシンボリックグラフ生成モデル (NSGGM) と,シンボリックアセンブリとの相互作用学習タスクを提案する。 自己回帰型ニューラルネットワークは、相互作用信号のスキャフォールドと精細化を提案し、CPU効率のSMTソルバは、化学的妥当性、構造規則、ユーザ固有の制約を強制しながら、完全なグラフを構築する。 NSGGMは、制約のない生成タスクと制約のない生成タスクの両方で強力なパフォーマンスを提供し、ニューロシンボリックモデリングは、明示的な制御性と保証を提供しながら、最先端の生成パフォーマンスと一致することを実証している。
• 参考スコア（独自算出の注目度）: 11.61618152472216
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We challenge black-box purely deep neural approaches for molecules and graph generation, which are limited in controllability and lack formal guarantees. We introduce Neuro-Symbolic Graph Generative Modeling (NSGGM), a neurosymbolic framework that reapproaches molecule generation as a scaffold and interaction learning task with symbolic assembly. An autoregressive neural model proposes scaffolds and refines interaction signals, and a CPU-efficient SMT solver constructs full graphs while enforcing chemical validity, structural rules, and user-specific constraints, yielding molecules that are correct by construction and interpretable control that pure neural methods cannot provide. NSGGM delivers strong performance on both unconstrained generation and constrained generation tasks, demonstrating that neuro-symbolic modeling can match state-of-the-art generative performance while offering explicit controllability and guarantees. To evaluate more nuanced controllability, we also introduce a Logical-Constraint Molecular Benchmark, designed to test strict hard-rule satisfaction in workflows that require explicit, interpretable specifications together with verifiable compliance.
• Abstract（参考訳）: 我々は、制御性に制限があり、正式な保証がない分子やグラフ生成に対する純粋に深いニューラルネットワークアプローチに挑戦する。 本稿では,分子生成を足場として再適応するニューロシンボリックグラフ生成モデル (NSGGM) と,シンボリックアセンブリとの相互作用学習タスクを提案する。 自己回帰型ニューラルモデルは足場を提案し、相互作用信号を洗練し、CPU効率のSMTソルバは、化学的妥当性、構造規則、ユーザ固有の制約を強制しながら、完全なグラフを構築し、純粋なニューラルメソッドが提供できない構成と解釈可能な制御によって正しい分子を生成する。 NSGGMは、制約のない生成タスクと制約のない生成タスクの両方で強力なパフォーマンスを提供し、ニューロシンボリックモデリングは、明示的な制御性と保証を提供しながら、最先端の生成パフォーマンスと一致することを実証している。 より微妙な制御性を評価するために、検証可能なコンプライアンスとともに明示的で解釈可能な仕様を必要とするワークフローにおいて厳密なハードルール満足度をテストするために設計された、論理制約分子ベンチマークも導入する。

関連論文リスト

• Protect$^*$: Steerable Retrosynthesis through Neuro-Symbolic State Encoding [0.0]
  本稿では,Large Language Models (LLMs) の生成能力を厳格な化学論理に基礎を置く,ニューロシンボリックなフレームワークであるProtect$*$を紹介する。 我々のアプローチは、ルールベースの自動推論とニューラルモデルの生成を組み合わせる。 我々は,エリスロマイシンBの新規合成経路の発見を含む,複雑な天然物に関するケーススタディを通じて,このニューロシンボリックアプローチを実証する。
  論文  参考訳（メタデータ） (2026-02-13T19:41:55Z)
• Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation [85.58520120011269]
  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。
  論文  参考訳（メタデータ） (2025-09-11T13:37:56Z)
• Combining Graph Neural Networks and Mixed Integer Linear Programming for Molecular Inference under the Two-Layered Model [6.107266553770076]
  我々は、GNNを学習手法として利用するmol-infer-GNN(mol-infer-GNN)に基づく分子推論フレームワークを開発する。 提案したGNNモデルでは,単純な構造であるにもかかわらず,いくつかの特性に対して満足度の高い学習性能が得られる。
  論文  参考訳（メタデータ） (2025-07-05T06:57:37Z)
• Neuro-Symbolic Generative Diffusion Models for Physically Grounded, Robust, and Safe Generation [44.80048928651511]
  Neuro-Symbolic Diffusion (NSD)は、拡散ステップをシンボル最適化でインターリーブする新しいフレームワークである。 本稿では,ユーザ定義機能制約および論理制約の下で,確実に一貫したサンプルを生成するNSDを提案する。 この能力は,(1)非毒性分子生成と衝突のない軌道最適化の文脈における安全性,(2)薬物発見や材料工学などの領域におけるデータ不足,(3)領域外一般化の3つの課題にまたがる課題において実証される。
  論文  参考訳（メタデータ） (2025-06-01T18:58:59Z)
• Relational Neurosymbolic Markov Models [13.22004615196798]
  逐次問題は、強化学習や自然言語処理など、AIにおいてユビキタスである。 我々はニューロシンボリックAI(NeSy)を導入し、深層確率モデルにおける制約を強制する健全なフォーマリズムを提供するが、逐次問題に対して指数関数的にスケールする。 本稿では, 逐次的設定に基づいて, 近似ベイズ推論, 自動推論, 勾配推定を組み合わせた推論と学習の戦略を提案する。
  論文  参考訳（メタデータ） (2024-12-17T15:41:51Z)
• On the Trade-off Between Efficiency and Precision of Neural Abstraction [62.046646433536104]
  ニューラル抽象化は、最近、複雑な非線形力学モデルの形式近似として導入されている。 我々は形式的帰納的合成法を用いて、これらのセマンティクスを用いた動的モデルをもたらすニューラル抽象化を生成する。
  論文  参考訳（メタデータ） (2023-07-28T13:22:32Z)
• Gibbs-Duhem-Informed Neural Networks for Binary Activity Coefficient Prediction [45.84205238554709]
  本稿では,Gibs-Duhem-informed Neural Network を用いて,様々な組成における二成分活性係数の予測を行う。 ニューラルネットワークの学習における損失関数にギブス・デュヘム方程式を明示的に含んでいる。
  論文  参考訳（メタデータ） (2023-05-31T07:36:45Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Quantitative Evaluation of Explainable Graph Neural Networks for Molecular Property Prediction [2.8544822698499255]
  グラフニューラルネットワーク(GNN)は、解釈可能性の欠如により、薬物発見において限定的に受け入れられている。 本研究では,最新のGNNモデルの解釈可能性を定量的に評価するために,3段階のベンチマークデータセットを構築した。 我々は,最近のXAI手法と異なるGNNアルゴリズムを組み合わせることで,薬物発見のメリット,限界,今後の可能性を明らかにする。
  論文  参考訳（メタデータ） (2021-07-01T04:49:29Z)

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。