論文の概要: Constraint-Aware Optimization for Robust Protein Stability Prediction
- arxiv url: http://arxiv.org/abs/2606.08100v1
- Date: Sat, 06 Jun 2026 11:04:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 14:42:05.780654
- Title: Constraint-Aware Optimization for Robust Protein Stability Prediction
- Title（参考訳）: ロバストタンパク質安定性予測のための制約認識最適化
- Authors: A Shivram, Aneesh S. Chivukula, Manik Gupta, Sourav Chowdhury,
- Abstract要約: 逆フォールディング表現を用いたタンパク質言語モデルの統合によるMultimodal $G$は,Megascaleデータセット上で強力な分布精度を実現する。
既存のアプローチは、これらの制限に主に追加のアーキテクチャコンポーネントを通して対処する。
本稿では, 平衡平均二乗誤差, シームズ反対称正則化器と, 位置推定器の特徴表現における新しいOODマージン損失を組み合わせた制約対応最適化フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.3316543849024811
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multimodal $ΔΔG$ predictors integrating protein language models with inverse-folding representations achieve strong in-distribution accuracy on the Megascale dataset but exhibit limited robustness on out-of-distribution (OOD) proteins, persistent forward-reverse bias on paired-mutation benchmarks, and under-representation of rare stabilizing mutations. Existing approaches address these limitations primarily through additional architectural components, leaving optimization-level intervention comparatively underexplored. We introduce a constraint-aware optimization framework combining Balanced Mean Squared Error, a Siamese anti-symmetric regularizer, and a novel OOD-margin consistency loss on the per-position feature representation, requiring no architectural changes to the SPURS backbone. Across eleven benchmarks and three random seeds, the framework improves Spearman correlation on S669 from 0.486 to 0.540 ($σ=0.002$ across seeds), matching the published SPURS baseline (0.50) without architectural modification, and on S461 from 0.653 to 0.711, with consistent smaller gains on five additional OOD datasets. A controlled diagnostic on Ssym reveals that anti-symmetric training does not eliminate systematic forward-reverse bias, indicating that gains arise through implicit regularization rather than exact thermodynamic constraint enforcement.
- Abstract（参考訳）: 逆フォールディング表現を組み込んだタンパク質言語モデルを統合するマルチモーダル$ΔG$予測器は、メガスケールデータセット上で強力な分布精度を実現するが、オフ・オブ・ディストリビューション(OOD)タンパク質に制限された堅牢性、ペア変異ベンチマークにおける持続的前方逆バイアス、稀な安定化突然変異のアンダー表現を示す。
既存のアプローチは、これらの制限に主に追加のアーキテクチャコンポーネントを通して対処し、最適化レベルの介入は比較的過小評価されている。
本稿では,Syamese の反対称正則化器である Balanced Mean Squared Error と,SPURS のバックボーンに構造的変更を加えることなく,配置毎の特徴表現における新しい OOD-margin 整合性損失を併用した制約対応最適化フレームワークを提案する。
11のベンチマークと3つのランダムシードで、このフレームワークはS669のスピアマン相関を0.486から0.540(σ=0.002$)に改善し、発行されたSPURSベースライン(0.50)をアーキテクチャ変更なしでマッチングし、S461では0.653から0.711に、さらに5つのOODデータセットで一貫した利得を持つ。
制御されたSsymの診断では、反対称トレーニングは系統的な前方逆バイアスを排除せず、厳密な熱力学的制約の強制よりも暗黙の正則化によって利得が生じることを示している。
関連論文リスト
- Aligning Network Equivariance with Data Symmetry: A Theoretical Framework and Adaptive Approach for Image Restoration [71.51826063983434]
画像復元は本質的に逆問題である。
非厳密対称性を制約として、復元逆問題を定式化する。
最適復元演算子の等値誤差はデータ対称性誤差と離散化メッシュサイズによって厳密に制限されていることを示す。
論文 参考訳（メタデータ） (2026-05-13T16:22:19Z) - The Geometry of Robustness: Optimizing Loss Landscape Curvature and Feature Manifold Alignment for Robust Finetuning of Vision-Language Models [33.10473765967503]
一般化保存法はID/OOD性能を維持するが、敵攻撃に弱いモデルを残す。
我々の重要な洞察は、ロバスト性トレードオフは、パラメータ空間における鋭く異方性のある最小値と、摂動下で変形する不安定な特徴表現の2つの幾何学的失敗に由来するということである。
本稿では,パラメータ空間の曲率と特徴空間の不変性を協調的に正規化する,統一的な微調整フレームワークGRACEを提案する。
論文 参考訳（メタデータ） (2026-03-28T05:22:00Z) - Structured Quantum Optimal Control under Bandwidth and Smoothness Constraints-An Inexact Proximal-ADMM Approach for Low-Complexity Pulse Synthesis [0.0]
ゲート不整合性,全変分正則化,明示的帯域制限射影,ボックス制約を1ループで組み合わせた非コンパクトなプロキシADMMフレームワークについて検討する。
GRAPE、標準のKrotov、L-BFGS-Bに対して、シングルキュービットの$X$ゲート、リークが発生しやすいクォートタスク、2キュービットのエンタングゲートでベンチマークされる。
コントリビューションは、直ちに展開可能な高忠実度ゲートへの完了ルートとしてではなく、制約パルス合成のための数値的枠組みとして読み取るべきである。
論文 参考訳（メタデータ） (2026-03-13T14:27:40Z) - DARC: Disagreement-Aware Alignment via Risk-Constrained Decoding [59.16244104797919]
本稿では,リスク制約付き復号法(DARC)*による分散アライメント(Disagreement-Aware Alignment)を提案する。
DARCは応答選択を、分布的に堅牢で、リスクに敏感な意思決定として捉えている。
アライメントベンチマークの実験では、DARCは競合平均品質を維持しながら、不一致と尾のリスクを低減する。
論文 参考訳（メタデータ） (2026-03-09T09:21:29Z) - JANUS: Structured Bidirectional Generation for Guaranteed Constraints and Analytical Uncertainty [0.0]
JANUS(Joint Ancestral Network for Uncertainity and Synthesis)は、ベイズ決定木のDAGを用いて機能を統合するフレームワークである。
主な革新はReverse-Topological Back-fillingであり、因果グラフを通して制約を後方に伝播するアルゴリズムである。
Janusは最先端の忠実度(Detection Score 0.497)を実現し、不均衡なデータのモード崩壊を排除し、複雑なカラム間制約を正確に処理する。
論文 参考訳（メタデータ） (2026-03-04T05:36:11Z) - Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。
我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。
重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
論文 参考訳（メタデータ） (2026-02-24T05:32:03Z) - Regularized Meta-Learning for Improved Generalization [0.0]
正規化メタラーニングは、高次元アンサンブルシステムのための安定かつデプロイ効率の高いスタックング戦略である。
4段階のパイプラインは、冗長性を考慮したプロジェクション、統計的メタ機能拡張、およびクロスバリデーションされた正規化メタモデルを組み合わせる。
Playground Series S6E1ベンチマークでは、提案フレームワークは8.582のアウトオブフォールドRMSEを実現し、単純な平均(8.894)と従来のリッジ積み重ね(8.627)よりも改善し、グリーディヒルクライミング(8.603)とほぼ低ランタイム(8.603)とほぼ一致する(4倍高速)。
論文 参考訳（メタデータ） (2026-02-12T22:55:32Z) - On the Optimal Construction of Unbiased Gradient Estimators for Zeroth-Order Optimization [57.179679246370114]
既存の手法の潜在的な制限は、ステップサイズが提案されない限り、ほとんどの摂動推定器に固有のバイアスである。
本稿では, 良好な構成を維持しつつ, バイアスを排除した非バイアス勾配スケーリング推定器のファミリーを提案する。
論文 参考訳（メタデータ） (2025-10-22T18:25:43Z) - From Noisy Traces to Stable Gradients: Bias-Variance Optimized Preference Optimization for Aligning Large Reasoning Models [90.45197506653341]
大規模推論モデルは最終回答を生成する前に中間的推論トレースを生成する。
LRMと人間の好みの整合性は、モデルデプロイメントにとって重要な前提条件であり、まだ過小評価されていない。
共通の回避策は1つのサンプル軌道を最適化し、トレースサンプリングからかなり勾配のばらつきをもたらす。
論文 参考訳（メタデータ） (2025-10-06T17:58:01Z) - Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
生成のための教師なし共形推論フレームワークを提案する。
我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。
その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
論文 参考訳（メタデータ） (2025-09-26T23:40:47Z)
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。