論文の概要: UNATE: UNsupervised ATomic Embedding for crystal structures property prediction

• arxiv url: http://arxiv.org/abs/2605.25866v1
• Date: Mon, 25 May 2026 13:55:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:20.239992
• Title: UNATE: UNsupervised ATomic Embedding for crystal structures property prediction
• Title（参考訳）: UNATE: 結晶構造予測のための教師なしATomic Embedding
• Authors: Laura Solà-Garcia, Àlex Solé, Javier Ruiz-Hidalgo,
• Abstract要約: UNATE(Unsupervised Atomic Embedding)は、無ラベル結晶構造から抽出された構造情報を利用するフレームワークである。 原原子番号をUNATEに制限されたノード埋め込みに置き換えると、全データベースラインよりも2.7%向上することを示す。 特に、ラベル付きデータの制限のあるシナリオでは、そのメリットがより顕著になり、ラベル付きデータの25%しか使用されない場合には、最大10%の改善が達成される。
• 参考スコア（独自算出の注目度）: 2.217547045999963
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Accurately predicting crystal properties is critical for accelerating materials discovery, but it is often limited by scarce labeled data and costly theoretical calculations. To alleviate this, we propose UNATE (Unsupervised Atomic Embedding), a framework that leverages structural information extracted from unlabeled crystal structures. UNATE integrates an unsupervised denoising autoencoder with self-supervised contrastive learning to learn robust atomic representations, which are then used as input features for downstream property prediction. Experimental results show that replacing raw atomic numbers with UNATE-pretrained node embeddings yields a 2.7\% improvement over the full-data baseline. Notably, the benefits become more pronounced in scenarios with limited labeled data, reaching improvements of up to 10\% when only 25\% of the labeled data is used.
• Abstract（参考訳）: 結晶特性の正確な予測は材料発見の加速に不可欠であるが、ラベル付きデータや高価な理論計算によって制限されることが多い。 これを軽減するために,未ラベル結晶構造から抽出した構造情報を活用するフレームワークUNATE(Unsupervised Atomic Embedding)を提案する。 UNATEは、教師なしの復号化オートエンコーダと自己教師付きコントラスト学習を統合して、堅牢な原子表現を学習し、下流プロパティ予測の入力機能として使用される。 実験結果から、原原子番号をUNATEに制限されたノード埋め込みに置き換えると、全データベースラインよりも2.7%向上することが示された。 特に、ラベル付きデータの制限のあるシナリオでは、そのメリットがより顕著になり、ラベル付きデータの25%しか使用しない場合には、最大10\%の改善が達成される。

関連論文リスト

• Self-Conditioned Denoising for Atomistic Representation Learning [0.0]
  自己完結デノナイジング(Self-Conditioned Denoising)は、原子性データのあらゆる領域にわたる条件付きデノナイジングに自己埋め込みを利用する再構成目的である。 SCDによって事前訓練された小さな高速GNNは、ラベル付きまたはラベルなしのデータセットで事前訓練されたより大きなモデルに対して、競争力や優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2026-03-17T22:52:18Z)
• Foundation-Model Surrogates Enable Data-Efficient Active Learning for Materials Discovery [12.870479903068665]
  In-Context Active Learningは従来のサロゲートをTabPFNに置き換える。 TabPFNは、何百万もの合成回帰タスクで事前訓練されたトランスフォーマーベースの基礎モデルである。 強力な小さなデータレグレッションパフォーマンスと、十分にキャリブレーションされた予測の不確実性を提供します。
  論文  参考訳（メタデータ） (2026-03-13T01:57:09Z)
• From Few-Shot to Zero-Shot: Towards Generalist Graph Anomaly Detection [89.52759572485276]
  ARCは、文脈内学習を利用した数発のGAD法であり、推論時にわずかにラベル付き正規サンプルを必要とする。 ARCとARC_zeroは、異常を効果的に検出し、強力な一般化能力を示し、少数ショットおよびゼロショット設定下で効率的に実行する。
  論文  参考訳（メタデータ） (2026-02-21T10:59:00Z)
• SemiETPicker: Fast and Label-Efficient Particle Picking for CryoET Tomography Using Semi-Supervised Learning [10.415301702950376]
  ラベルのないCryoETデータを利用する高速なラベル効率半教師付きフレームワークを提案する。 本フレームワークは,キーポイント検出にインスパイアされたエンド・ツー・エンドのヒートマップ監視検出モデルと,スパースラベリング条件下での性能を高める教師と学生の協調学習機構の2つのコンポーネントから構成される。
  論文  参考訳（メタデータ） (2025-10-25T23:09:22Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• CBW: Towards Dataset Ownership Verification for Speaker Verification via Clustering-based Backdoor Watermarking [85.68235482145091]
  大規模音声データセットは貴重な知的財産となった。 本稿では,新しいデータセットのオーナシップ検証手法を提案する。 我々のアプローチはクラスタリングに基づくバックドア透かし(CBW)を導入している。 我々は,ベンチマークデータセットに対する広範な実験を行い,本手法の有効性とロバスト性を検証した。
  論文  参考訳（メタデータ） (2025-03-02T02:02:57Z)
• A Cartesian Encoding Graph Neural Network for Crystal Structures Property Prediction: Application to Thermal Ellipsoid Estimation [3.832124825311177]
  回折に基づく結晶構造解析では、ADP(Anisotropic Displacement Parameters)によって定量化される熱楕円体は、決定が困難である。 本稿では,原子幾何を結晶温度とともにカルト座標に符号化することで,結晶特性を効率的に予測する新しいグラフニューラルネットワークであるCartNetを紹介する。 CartNetは計算コストを大幅に削減し、ADP予測の既存の手法を10.87%上回り、理論的なアプローチよりも34.77%改善している。
  論文  参考訳（メタデータ） (2025-01-30T14:24:03Z)
• Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
  ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。 本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。 ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
  論文  参考訳（メタデータ） (2021-12-15T15:17:02Z)
• RNA Secondary Structure Prediction By Learning Unrolled Algorithms [70.09461537906319]
  本稿では,RNA二次構造予測のためのエンド・ツー・エンドのディープラーニングモデルであるE2Efoldを提案する。 E2Efoldの鍵となる考え方は、RNA塩基対行列を直接予測し、制約のないプログラミングを、制約を強制するための深いアーキテクチャのテンプレートとして使うことである。 ベンチマークデータセットに関する包括的な実験により、E2Efoldの優れた性能を実証する。
  論文  参考訳（メタデータ） (2020-02-13T23:21:25Z)

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。