論文の概要: DMMRL: Disentangled Multi-Modal Representation Learning via Variational Autoencoders for Molecular Property Prediction

• arxiv url: http://arxiv.org/abs/2603.21108v1
• Date: Sun, 22 Mar 2026 07:53:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.242929
• Title: DMMRL: Disentangled Multi-Modal Representation Learning via Variational Autoencoders for Molecular Property Prediction
• Title（参考訳）: DMMRL:分子特性予測のための変分オートエンコーダによるマルチモーダル表現学習
• Authors: Long Xu, Junping Guo, Jianbo Zhao, Jianbo Lu, Yuzhong Peng,
• Abstract要約: 分子表現を共有(構造関連)およびプライベート(モダリティ特化)潜在空間に分散させる変分オートエンコーダを提案する。 提案手法は, 特性予測に最も有用な特徴を効果的に分離するものである。 7つのベンチマークデータセットの実験的検証は、最先端のアプローチと比較してDMMRLの優れたパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 7.709891405320469
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular property prediction constitutes a cornerstone of drug discovery and materials science, necessitating models capable of disentangling complex structure-property relationships across diverse molecular modalities. Existing approaches frequently exhibit entangled representations--conflating structural, chemical, and functional factors--thereby limiting interpretability and transferability. Furthermore, conventional methods inadequately exploit complementary information from graphs, sequences, and geometries, often relying on naive concatenation that neglects inter-modal dependencies. In this work, we propose DMMRL, which employs variational autoencoders to disentangle molecular representations into shared (structure-relevant) and private (modality-specific) latent spaces, enhancing both interpretability and predictive performance. The proposed variational disentanglement mechanism effectively isolates the most informative features for property prediction, while orthogonality and alignment regularizations promote statistical independence and cross-modal consistency. Additionally, a gated attention fusion module adaptively integrates shared representations, capturing complex inter-modal relationships. Experimental validation across seven benchmark datasets demonstrates DMMRL's superior performance relative to state-of-the-art approaches. The code and data underlying this article are freely available at https://github.com/xulong0826/DMMRL.
• Abstract（参考訳）: 分子特性予測は、薬物発見と物質科学の基盤となり、様々な分子の様相をまたがる複雑な構造と不適切な関係を解消するために必要なモデルを必要とする。 既存のアプローチでは、しばしば絡み合った表現、つまり、構造的、化学的、機能的要素を融合させ、解釈可能性と伝達可能性を制限する。 さらに、従来の手法ではグラフ、シーケンス、ジオメトリからの補完的な情報を不適切に利用し、しばしばモーダル間の依存関係を無視する単純な結合に依存している。 本研究では,分子表現を共有(構造関連)およびプライベート(モダリティ特化)の潜在空間に分解するために,変分オートエンコーダを用いたDMMRLを提案する。 提案手法は特性予測において最も有用な特徴を効果的に分離するが,直交性やアライメントの正則化は統計的独立性やクロスモーダル整合性を促進する。 さらに、ゲートアテンション融合モジュールは、共有表現を適応的に統合し、複雑なモーダル間関係をキャプチャする。 7つのベンチマークデータセットの実験的検証は、最先端のアプローチと比較してDMMRLの優れたパフォーマンスを示している。 この記事の基盤となるコードとデータは、https://github.com/xulong0826/DMMRLで無償公開されている。

関連論文リスト

• CoVAE: correlated multimodal generative modeling [1.9336815376402718]
  モーダル間の相関をキャプチャする新しい生成アーキテクチャであるCorrelated Variational Autoencoders (CoVAE) を紹介する。 我々は,正確なクロスモーダル再構成と関連する不確かさの有効定量化を実証する,多数の実データおよび合成データセット上で,CoVAEを検証した。
  論文  参考訳（メタデータ） (2026-03-02T15:14:59Z)
• KAN-Matrix: Visualizing Nonlinear Pairwise and Multivariate Contributions for Physical Insight [0.0]
  本稿では,KAN(Kolmogorov-Arnold Networks)の新たな応用法を提案する。 Pairwise Kan Matrix (PKAN) と Multivariable Kan Contribution Matrix (MKAN) である。
  論文  参考訳（メタデータ） (2025-12-12T02:04:53Z)
• Hierarchical Structure-Property Alignment for Data-Efficient Molecular Generation and Editing [14.308978798996472]
  HSPAGは階層構造とプロパティのアライメントを特徴とするデータ効率のフレームワークである。 補助変分自動エンコーダを用いて,足場クラスタリングとハードサンプルを用いて代表サンプルを選択する。 実験により、HSPAGは微細な構造-プロパティ関係を捕捉し、複数の特性制約の下で制御可能な生成をサポートすることが示された。
  論文  参考訳（メタデータ） (2025-11-11T10:31:09Z)
• Text-Guided Multi-Property Molecular Optimization with a Diffusion Language Model [20.250683535089617]
  変換器を用いた拡散言語モデル(TransDLM)を用いたテキスト誘導多目的分子最適化手法を提案する。 物理的、化学的に詳細なセマンティクスを特異的な分子表現と融合することにより、TransDLMは様々な情報ソースを効果的に統合し、正確な最適化を導く。
  論文  参考訳（メタデータ） (2024-10-17T14:30:27Z)
• Graph-based Unsupervised Disentangled Representation Learning via Multimodal Large Language Models [42.17166746027585]
  複素データ内の因子化属性とその相互関係を学習するための双方向重み付きグラフベースフレームワークを提案する。 具体的には、グラフの初期ノードとして要素を抽出する$beta$-VAEベースのモジュールを提案する。 これらの相補的加群を統合することで、我々は細粒度、実用性、教師なしの絡み合いをうまく達成できる。
  論文  参考訳（メタデータ） (2024-07-26T15:32:21Z)
• Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning [80.44084021062105]
  本稿では,非方向エッジで連結された2つの潜在結合変数を特徴とする,多モーダルデータに対する新しい潜在部分因果モデルを提案する。 特定の統計的仮定の下では、多モーダル・コントラッシブ・ラーニングによって学習された表現が、自明な変換までの潜在結合変数に対応することを示す。 事前トレーニングされたCLIPモデルの実験は、非絡み合った表現を具現化し、数ショットの学習を可能にし、さまざまな現実世界のデータセットにわたるドメインの一般化を改善する。
  論文  参考訳（メタデータ） (2024-02-09T07:18:06Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• MoReL: Multi-omics Relational Learning [26.484803417186384]
  ヘテロジニアスビューの分子間相互作用をコードする多部グラフを効率的に推定する新しいディープベイズ生成モデルを提案する。 このようなディープベイズ生成モデルにおける最適輸送正則化により、ビュー固有側情報を組み込むだけでなく、分布ベース正則化によるモデルの柔軟性も向上する。
  論文  参考訳（メタデータ） (2022-03-15T02:50:07Z)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)

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。