論文の概要: Uncertainty-Calibrated Diffusion for Reliable 3D Molecular Graph Generation

• arxiv url: http://arxiv.org/abs/2606.01595v1
• Date: Mon, 01 Jun 2026 02:48:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.880469
• Title: Uncertainty-Calibrated Diffusion for Reliable 3D Molecular Graph Generation
• Title（参考訳）: 信頼性3次元分子グラフ生成のための不確かさ校正拡散
• Authors: Fang Wan, Jingxiang Qu, Yi Liu,
• Abstract要約: 拡散推論によって不確実性が伝播し,サンプリング品質が低下することを示す。 本稿では, 逆拡散過程を校正して不確実性を考慮し, 簡便かつ効果的な方法として, UCD (Uncertainty-Calibrated Diffusion) を提案する。
• 参考スコア（独自算出の注目度）: 10.056180810643774
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian inference provides a principled framework for modeling epistemic uncertainty in neural networks by treating predictions as distributions rather than deterministic values. Meanwhile, diffusion-based models for 3D molecular graph generation operate on fragile geometric structures governed by strict chemical constraints, making inference highly sensitive to uncertainty miscalibration. A largely overlooked issue is that epistemic uncertainty arising from the learned denoiser interacts with the aleatoric uncertainty intentionally injected during reverse diffusion, leading to systematic variance inflation and a mismatch between the true distribution and the simulated distribution. This effect is particularly detrimental for high-precision molecular generation, where even small deviations can violate chemical validity. In this work, we provide a theoretical and empirical analysis of how epistemic uncertainty propagates through diffusion inference and degrades sampling quality. Building on this investigation, we propose UCD (Uncertainty-Calibrated Diffusion), a simple yet effective method that calibrates the reverse diffusion process to account for epistemic uncertainty. Extensive experiments on standard 3D molecular benchmarks demonstrate that UCD consistently improves sampling quality across diverse baseline methods, establishing new state-of-the-art performance for 3D molecular diffusion. The code is available at https://github.com/jiuguaiwf/UCD.
• Abstract（参考訳）: ベイズ推論は、決定論的値ではなく分布として予測を扱い、ニューラルネットワークにおける疫学の不確実性をモデル化するための原則化されたフレームワークを提供する。 一方、3次元分子グラフ生成のための拡散モデルでは、厳密な化学制約によって支配される脆弱な幾何学構造が機能し、推論は不確かさの誤校正に非常に敏感である。 主に見過ごされがちな問題は、学習されたデノイザから生じるてんかんの不確実性は、逆拡散中に意図的に注入されたアレタリック不確実性と相互作用し、体系的な分散インフレーションと真の分布とシミュレートされた分布とのミスマッチをもたらすことである。 この効果は特に高精度な分子生成において有害であり、小さな偏差でも化学的妥当性に反する可能性がある。 本研究は, 拡散推論によっててんかんの不確実性がどのように伝播し, サンプリング品質が低下するかを理論的, 実証的に分析する。 本研究で提案するUCD(Uncertainty-Calibrated Diffusion)は, 逆拡散過程を校正し, 上皮性不確実性を考慮した簡便かつ効果的な方法である。 標準3D分子ベンチマークによる広範囲な実験により、UCDは様々なベースライン法でサンプリング品質を一貫して改善し、3D分子拡散のための新しい最先端性能を確立した。 コードはhttps://github.com/jiuguaiwf/UCD.comで公開されている。

関連論文リスト

• Diffusion Epistemic Uncertainty with Asymmetric Learning for Diffusion-Generated Image Detection [10.061197311881287]
  生成した画像を検出するための非対称学習(DEUA)を用いた拡散認識不確実性(Diffusion Epistemic Uncertainty)を提案する。 ラプラス近似を用いて拡散疫学不確実性(DEU)推定を導入し,拡散生成試料の多様体へのデータの近接性を評価する。
  論文  参考訳（メタデータ） (2026-01-21T03:57:15Z)
• Breaking the Bottlenecks: Scalable Diffusion Models for 3D Molecular Generation [0.0]
  拡散モデルは分子設計のための強力な生成モデルとして登場した。 彼らの使用は、長いサンプリング軌道、逆過程のばらつき、そして力学の認知における構造的認識の制限によって制限されている。 直接分極拡散モデル(英語版)は、逆MCMC更新を決定論的分極ステップに置き換えることでこれらの非効率性を緩和する。
  論文  参考訳（メタデータ） (2026-01-13T20:09:44Z)
• Theory-Informed Improvements to Classifier-Free Guidance for Discrete Diffusion Models [24.186262549509102]
  本稿では,CFGをマスク付き離散拡散の文脈で理論的に解析する。 サンプリング(入力が重くマスクされている場合)の早期ガイダンスは生成品質を損なうが、後期ガイダンスは大きな効果がある。 提案手法は,データ分布と初期(マスキング/ユニフォーム)分布の輸送を円滑に行い,その結果,サンプルの品質が向上した。
  論文  参考訳（メタデータ） (2025-07-11T18:48:29Z)
• How Do Diffusion Models Improve Adversarial Robustness? [3.729242965449096]
  本研究では,拡散モデルによる対向ロバスト性の改善について検討する。 精製された画像は拡散モデルの内部ランダム性に大きく影響されていることがわかった。 本研究は,拡散型精製のメカニズムに関する新たな知見を提供する。
  論文  参考訳（メタデータ） (2025-05-28T20:19:21Z)
• Exploring the flavor structure of leptons via diffusion models [0.0]
  ニュートリノ質量行列を生成するために、I型シーソー機構による標準モデルの簡単な拡張を検討し、ニューラルネットワークを訓練する。 転移学習を利用することで、拡散モデルはニュートリノ質量2乗差とレプトニック混合角に整合した104の解を生成する。
  論文  参考訳（メタデータ） (2025-03-27T12:17:00Z)
• Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
  Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。 適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
  論文  参考訳（メタデータ） (2024-11-01T12:59:25Z)
• Lipschitz Singularities in Diffusion Models [64.28196620345808]
  拡散モデルは、零点付近の時間変数に関して、しばしばネットワークの無限のリプシッツ特性を示す。 ゼロ点近傍の拡散モデルのリプシッツ特異点を緩和する新しい手法 E-TSDM を提案する。 我々の研究は、一般拡散過程の理解を深め、拡散モデルの設計に関する洞察を提供するかもしれない。
  論文  参考訳（メタデータ） (2023-06-20T03:05:28Z)
• Reconstructing Graph Diffusion History from a Single Snapshot [87.20550495678907]
  A single SnapsHot (DASH) から拡散履歴を再構築するための新しいバリセンターの定式化を提案する。 本研究では,拡散パラメータ推定のNP硬度により,拡散パラメータの推定誤差が避けられないことを証明する。 また、DITTO(Diffusion hitting Times with Optimal proposal)という効果的な解法も開発している。
  論文  参考訳（メタデータ） (2023-06-01T09:39:32Z)

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。