論文の概要: Agentic Molecular Recovery via Molecule-Aware Exploration

• arxiv url: http://arxiv.org/abs/2606.05847v1
• Date: Thu, 04 Jun 2026 08:23:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.643674
• Title: Agentic Molecular Recovery via Molecule-Aware Exploration
• Title（参考訳）: 分子性分子の探索による分子の創製
• Authors: Suwan Yoon, Changhee Lee,
• Abstract要約: 無効なドラフトは、妥当性指向の修復からアイデンティティ保護分子回復への移行によって解決されるべきである。 分子認識型ミスマッチ追跡と拡張された候補探索と軌道レベルの選択を併用したAMRECを提案する。 3つのバックボーンモデルからの無効なChEBI-20ドラフトでは、AMRECは構造、正確なマッチ、文字列レベルのメトリクスで最強の全体的な回復プロファイルを達成した。
• 参考スコア（独自算出の注目度）: 13.723000245697868
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Text-guided molecular generation with LLMs often yields invalid SMILES. We argue that invalid drafts should be addressed through a shift from validity-oriented repair to identity-preserving molecular recovery: the objective is not only to restore chemical validity, but also to preserve target-relevant structural cues and recover the molecular identity implied by the description. This perspective reveals the limitations of existing correction strategies. Post-hoc repair can recover validity while distorting key structures, LLM-only correction can introduce unintended global drift, and generic agentic correction remains constrained by greedy single-candidate trajectories even when equipped with executable RDKit edit tools. To address these limitations, we propose AMREC, which couples molecule-aware mismatch tracking with expanded candidate exploration and trajectory-level selection. On invalid ChEBI-20 drafts from three backbone models, AMREC achieves the strongest overall recovery profile across structural, exact-match, and string-level metrics.
• Abstract（参考訳）: LLMを用いたテキスト誘導分子生成は、しばしば無効なSMILESを生成する。 本研究の目的は, 化学的妥当性を回復するだけでなく, 目的と関連する構造的手がかりを保存し, 説明によって示唆される分子的アイデンティティを回復することにある。 この視点は、既存の修正戦略の限界を明らかにする。 ポストホック修復はキー構造を歪ませながら有効性を取り戻すことができ、LLMのみの修正は意図しないグローバルドリフトを導入でき、汎用的なエージェント補正は、実行可能なRDKit編集ツールを備えた場合であっても、欲張りの単一候補軌道によって制約される。 これらの制約に対処するため,分子認識ミスマッチ追跡と候補探索,軌道レベルの選択を併用したAMRECを提案する。 3つのバックボーンモデルからの無効なChEBI-20ドラフトでは、AMRECは構造、正確なマッチ、文字列レベルのメトリクスで最強の全体的な回復プロファイルを達成した。

関連論文リスト

• STRIDE: A Self-Reflective Agent Framework for Reliable Automatic Equation Discovery [6.0574120466674986]
  LLMに基づく方程式探索は、データからシンボル法則を回復するための有望な経路を提供する。 本研究では,データ・アウェア・ジェネレーション,混合適合評価,批評家・実行者修復,多様性保存セマンティックメモリの調整により信頼性を向上させる自己表現型エージェント・フレームワークSTRIDEを提案する。
  論文  参考訳（メタデータ） (2026-05-18T03:14:32Z)
• ANNEAL: Adapting LLM Agents via Governed Symbolic Patch Learning [12.44509691077682]
  本稿では,繰り返し発生する障害をプロセス知識グラフのシンボル編集に変換する神経シンボルエージェントであるANNEALを紹介する。 その中核となるメカニズムであるFDKA(Failure-Driven Knowledge Acquisition)は、責任のあるオペレータをローカライズし、制約付きLLM生成を通じて型付きパッチを合成し、提案を検証する。 4つのドメインと27のマルチシードランをまたいだANNEALは、永続的な構造修復を行う唯一の評価システムである。
  論文  参考訳（メタデータ） (2026-05-04T05:24:03Z)
• Cycle-Consistent Search: Question Reconstructability as a Proxy Reward for Search Agent Training [80.20022221643414]
  Cycle-Consistent Searchは、検索エージェントを訓練するための金色のスーパービジョンのないフレームワークである。 CCSは教師付きベースラインに匹敵する性能を示す。 これらの結果から,CCSは金の監督が不可能な環境で検索エージェントを訓練するためのスケーラブルな訓練パラダイムを提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-04-14T17:00:18Z)
• Semantic Evolution over Populations for LLM-Guided Automated Program Repair [8.743842866285762]
  本稿では,APR反復改良のための人口ベースセマンティック進化フレームワークであるEvolRepairを提案する。 EvolRepairは、APRのための古典的遺伝的アルゴリズムの探索パラダイムを再構築するが、構文ベースの演算子を意味論的に認識するコンポーネントに置き換える。 実験の結果,EvolRepair は既存の LLM ベースの APR アプローチよりも補修効率を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2026-04-02T15:08:58Z)
• RECOVER: Robust Entity Correction via agentic Orchestration of hypothesis Variants for Evidence-based Recovery [8.750432529472802]
  ツール使用エージェントとして機能するエージェント修正フレームワークであるRECOVERを紹介する。 複数の仮説をASRの証拠として利用し、関連するエンティティを検索し、制約の下で大言語モデル(LLM)の修正を適用する。 エンティティ・フレーズの単語誤り率(E-WER)を8～46%削減し、リコール率を最大22ポイント向上させる。
  論文  参考訳（メタデータ） (2026-03-17T11:48:12Z)
• ReCALL: Recalibrating Capability Degradation for MLLM-based Composed Image Retrieval [64.14282916266998]
  Composed Image Retrievalは、参照画像と修正テキストからなるハイブリッドクエリに基づいてターゲット画像を取得することを目的としている。 本稿では,診断・生成・再定義パイプラインに従うモデルに依存しないフレームワークであるReCALLを提案する。 CIRRとFashionIQの実験では、ReCALLは継続的に劣化した機能を再検討し、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） (2026-02-02T04:52:54Z)
• TSSR: Two-Stage Swap-Reward-Driven Reinforcement Learning for Character-Level SMILES Generation [0.41998444721319217]
  TSSRは文字レベルSMILES生成のためのSwap-Reward駆動の強化学習フレームワークである。 これは、構文を修復するローカルトークンスワップに報酬を与え、無効からパース可能な文字列への遷移を促進する。 スパース端末の目的をより密度が高く、より解釈可能な報酬に変換し、多様性を低下させることなく、構文的および化学的品質の両方を改善する。
  論文  参考訳（メタデータ） (2026-01-08T02:35:22Z)
• Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection [74.51523859064802]
  我々は、自己回帰検索拡張生成(Self-RAG)と呼ばれる新しいフレームワークを導入する。 自己RAGは、検索と自己回帰によってLMの品質と事実性を高める。 様々なタスクセットにおいて、最先端のLCMや検索強化モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-10-17T18:18:32Z)
• Lyra: Orchestrating Dual Correction in Automated Theorem Proving [63.115422781158934]
  Lyraは新しいフレームワークで、ツール補正とConjecture Correctionという2つの異なる補正メカニズムを採用している。 ツール補正は幻覚の緩和に寄与し、それによって証明の全体的な精度が向上する。 Conjecture Correctionは命令で生成を洗練させるが、ペア化された(生成、エラー、改善)プロンプトは収集しない。
  論文  参考訳（メタデータ） (2023-09-27T17:29:41Z)

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。