論文の概要: SymDrift: One-Shot Generative Modeling under Symmetries
- arxiv url: http://arxiv.org/abs/2605.06140v1
- Date: Thu, 07 May 2026 12:38:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:11.77827
- Title: SymDrift: One-Shot Generative Modeling under Symmetries
- Title（参考訳）: SymDrift: 対称性に基づくワンショット生成モデリング
- Authors: Samir Darouich, Vinh Tong, Lluís Pastor-Pérez, Tanja Bien, Loay Mualem, Mathias Niepert,
- Abstract要約: 等変生成器は、対称性化された対象分布から得られるものと同じドリフト場を一般的に生成しないため、ドリフトモデルは対称性に固有の課題に直面していることを示す。
i) 最適アライメントに基づく座標空間における対称性付きドリフト、(ii) 構成による対称性の曖昧さを取り除く$G$不変な埋め込みである。
ワンショット推論を有効にすることで、SymDriftは計算オーバーヘッドを既存のベースラインと比較して最大40$times$に削減する。
- 参考スコア（独自算出の注目度）: 19.741742157466888
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative modeling of physical systems, such as molecules, requires learning distributions that are invariant under global symmetries, such as rotations in three-dimensional space. Equivariant diffusion and flow matching models can incorporate such invariances effectively, even when trained on a non-invariant empirical distribution, but they typically rely on costly multi-step sampling. Recently, drifting models have emerged as an efficient alternative, enabling single-step generation and achieving state-of-the-art performance in generative modeling tasks. However, we show that drifting models face a symmetry-specific challenge, since an equivariant generator does not generally produce the same drifting field as the one obtained from the symmetrized target distribution. Addressing this issue would require expensive symmetrization of the empirical distribution. To avoid this cost, we propose SymDrift, a framework that makes the drifting field itself symmetry-aware. We introduce two complementary strategies: (i) a symmetrized drift in coordinate space based on optimal alignment, and (ii) a $G$-invariant embedding that removes symmetry ambiguity by construction. Empirically, SymDrift outperforms existing one-shot methods on standard benchmarks for conformer and transition state generation, while remaining competitive with significantly more expensive multi-step approaches. By enabling one-shot inference, SymDrift reduces computational overhead by up to 40$\times$ compared to existing baselines, making it promising for high-throughput applications such as virtual drug screening and large-scale reaction network exploration.
- Abstract（参考訳）: 分子のような物理系の生成的モデリングは、三次元空間における回転のような大域的対称性の下で不変な学習分布を必要とする。
等変拡散とフローマッチングモデルは、非不変経験分布で訓練された場合でも、そのような不変性を効果的に組み込むことができるが、それらは通常、コストのかかる多段階サンプリングに依存する。
近年, ドリフトモデルが効率的な代替手段として出現し, 単一ステップ生成が可能となり, 生成モデルタスクにおける最先端性能を実現している。
しかし、同変生成器は、対称性化された対象分布から得られるものと一般的に同じドリフト場を発生しないため、ドリフトモデルは対称性に特有な課題に直面している。
この問題に対処するには、経験的分布の高価な対称性が必要である。
このコストを回避するために,ドリフト場自体を対称性に認識するフレームワークであるSymDriftを提案する。
補足的戦略を2つ導入する。
一 最適アライメントに基づく座標空間における対称性付きドリフト、及び
(ii)構成による対称性の曖昧さを除去する$G$不変な埋め込み。
実証的には、SymDriftはコンフォーマーと遷移状態の生成のための標準ベンチマークで既存のワンショットメソッドよりも優れており、非常に高価なマルチステップアプローチと競合する。
ワンショット推論を有効にすることで、SymDriftは既存のベースラインと比較して最大40$\times$の計算オーバーヘッドを削減し、仮想薬物スクリーニングや大規模な反応ネットワーク探索のような高スループットのアプリケーションに期待できる。
関連論文リスト
- Rethinking Diffusion Models with Symmetries through Canonicalization with Applications to Molecular Graph Generation [56.361076943802594]
CanonFlowは、挑戦的なGEOM-DRUGデータセット上で最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-02-16T18:58:55Z) - Riemannian Consistency Model [57.933800575074535]
本稿では,Riemannian Consistency Model (RCM)を提案する。
RCMの離散的および連続的な訓練目標に対する閉形式解を導出する。
我々は、RCMの目的を解釈するためのユニークなキネマティクスの視点を提供し、新しい理論的な角度を提供する。
論文 参考訳（メタデータ） (2025-10-01T14:57:25Z) - Equivariant Flow Matching for Symmetry-Breaking Bifurcation Problems [2.720699926154399]
本稿では,分岐結果に対する全確率分布をモデル化するためのフローマッチングに基づく生成フレームワークを提案する。
我々は、玩具モデルから座屈ビームやアレン・カーンの方程式のような複雑な物理問題まで、様々なシステムに対するアプローチを検証する。
論文 参考訳（メタデータ） (2025-09-03T14:18:05Z) - Efficient Diffusion Models for Symmetric Manifolds [25.99200001269046]
本稿では,$d$次元対称空間に対する効率的な拡散モデル設計のためのフレームワークを提案する。
マンデラ対称性は拡散が「平均ケース」リプシッツ条件を満たすことを保証する。
本モデルは,学習速度において先行手法より優れ,合成データセットのサンプル品質が向上する。
論文 参考訳（メタデータ） (2025-05-27T18:12:29Z) - SymDiff: Equivariant Diffusion via Stochastic Symmetrisation [28.614292092399563]
対称性の枠組みを用いた同変拡散モデル構築手法であるSymDiffを提案する。
SymDiffは、サンプリング時にデプロイされる学習データ拡張に似ており、軽量で、計算効率が高く、任意のオフザシェルフモデル上に実装が容易である。
論文 参考訳（メタデータ） (2024-10-08T18:02:29Z) - On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳（メタデータ） (2024-05-18T15:59:41Z) - Equivariant Flow Matching with Hybrid Probability Transport [69.11915545210393]
拡散モデル (DM) は, 特徴量の多いジオメトリの生成に有効であることを示した。
DMは通常、非効率なサンプリング速度を持つ不安定な確率力学に悩まされる。
等変モデリングと安定化確率力学の両方の利点を享受する幾何フローマッチングを導入する。
論文 参考訳（メタデータ） (2023-12-12T11:13:13Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳（メタデータ） (2023-07-11T16:51:38Z)
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。