Fugu-MT 論文翻訳(概要): Physics-Aware Auxiliary Losses Improve Out-of-Distribution Generalization of a GNN Synthesizability Filter

論文の概要: Physics-Aware Auxiliary Losses Improve Out-of-Distribution Generalization of a GNN Synthesizability Filter

arxiv url: http://arxiv.org/abs/2606.12651v1
Date: Wed, 10 Jun 2026 20:21:56 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-12 15:55:27.446034
Title: Physics-Aware Auxiliary Losses Improve Out-of-Distribution Generalization of a GNN Synthesizability Filter
Title（参考訳）: GNN合成可能性フィルタのアウト・オブ・ディストリビューション一般化を改善した物理対応補助損失
Authors: Riya Bisht, Dhruv Agarwal,
Abstract要約: 我々は,グラフニューラルネットワーク(GNN)の補助的監視として使用される安価でクローズドな物理先行性により,OODの一般化が向上するかどうかを問う。我々はGINEのバックボーンに2つの補助的損失を加え、Bertz指数によるトポロジカルな複雑性の回帰とMMFF94力場エネルギーによるひずみエネルギーのソフトペナルティを加えた。 3つの物理学を意識した変種はいずれも、ベースラインよりも小さいが統計的に有意なOOD改善を与える。
参考スコア（独自算出の注目度）: 1.1986159241687198
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine-learning drug-discovery pipelines increasingly rely on generative models that propose molecules far from the data used to train downstream synthesizability filters. Existing filters (SAScore, SCScore, RAscore, DeepSA) are purely statistical and degrade in exactly this out-of-distribution (OOD) regime. We ask whether cheap, closed-form physical priors, used as auxiliary supervision on a graph neural network (GNN), improve OOD generalization. We add two auxiliary losses to a GINE backbone: a topological complexity regression supervised by the Bertz index, and a strain-energy soft penalty supervised by MMFF94 force-field energy. On a 65,177-molecule corpus (HIV, Tox21, COCONUT) labeled by SAScore thresholds we reproduce a strong in-distribution baseline, then evaluate a 4-way ablation (baseline / +complexity / +strain / +both) on a single-source OOD split (train on drug-like HIV+Tox21, test on COCONUT natural products), repeated over 5 seeds with paired bootstrap confidence intervals. All three physics-aware variants give a small but statistically significant OOD improvement over the baseline (mean OOD AUC 0.9774): +complexity Delta = +0.0060 (95% CI [+0.0023, +0.0102]), +strain Delta = +0.0032 ([+0.0008, +0.0052]), +both Delta = +0.0066 ([+0.0038, +0.0093]); every interval excludes zero, and the combination is best. The variants are indistinguishable in-distribution, so the effect is visible only under OOD evaluation. We are explicit that the effects are modest, and we report a cautionary methodological finding: a single-seed version of this experiment produced a qualitatively different (non-monotone) story that did not survive multi-seed evaluation.
Abstract（参考訳）: 機械学習の薬物発見パイプラインは、下流の合成可能性フィルタを訓練するのに使用されるデータから遠く離れた分子を提案する生成モデルにますます依存している。既存のフィルタ(SAScore、SCScore、RAscore、DeepSA)は純粋に統計的であり、まさにこのアウト・オブ・ディストリビューション(OOD)体制において劣化する。我々は,グラフニューラルネットワーク(GNN)の補助的監視として使用される安価でクローズドな物理先行性により,OODの一般化が向上するかどうかを問う。我々はGINEのバックボーンに2つの補助的損失を加え、Bertz指数によるトポロジカルな複雑性の回帰とMMFF94力場エネルギーによるひずみエネルギーのソフトペナルティを加えた。 SAScoreしきい値でラベル付けされた65,177分子コーパス(HIV,Tox21,COCONUT)では、強い分布ベースラインを再現し、単一ソースのOODスプリット上で4方向のアブレーション(ベースライン/+複雑度/+スラット/+ボス)を評価した。 OOD AUC 0.9774: +complexity Delta = +0.0060 (95% CI [+0.0023, +0.0102]), +strain Delta = +0.0032 ([+0.0008, +0.0052]), +both Delta = +0.0066 ([+0.0038, +0.0093]) である。変種は分布において区別できないため、その効果はOOD評価下でのみ見られる。本実験の単系統版では,多系統評価を生き残らなかった定性的に異なる(非単系統)物語が生み出された。

関連論文リスト

Cross-Species RSA Reveals Conserved Early Visual Alignment but Divergent Higher-Area Rankings Across Human fMRI and Macaque Electrophysiology [0.0]
我々は、トレーニングされていないCNNがヒトのV1におけるバックプロパゲーションと一致することを、マカク電気生理学に対する同じ5つの学習規則をテストすることによって、以前の知見を拡張した。規則は、バックプロパゲーション(BP)、フィードバックアライメント(FA)、予測符号化(PC)、スパイクタイミング依存塑性(STDP)である。すべてのモデルが、ヒトのfMRI(rho = 0.01-0.08)よりもマカク早期視覚野(rho = 0.15-0.30 at V1/V2)と高いアライメントを達成する(rho = 0.01-0.08)。
論文参考訳（メタデータ） (2026-05-21T12:31:18Z)
SpikeProphecy: A Large-Scale Benchmark for Autoregressive Neural Population Forecasting [0.5507813261960522]
SpikeProphecyは、心電図の因果的・自己回帰的スパイク数予測のための最初の大規模ベンチマークである。我々のコアコントリビューションは、集約性能を時間的忠実度、空間的パターン精度、等級不変アライメントに分離する人口計量分解である。
論文参考訳（メタデータ） (2026-05-13T04:45:35Z)
Identifying Evidence-Based Nudges in Biomedical Literature with Large Language Models [2.2015514798912412]
我々は、非構造化バイオメディカル文献から証拠に基づく行動分類を識別し、抽出するスケーラブルなAI駆動システムを提案する。栄養は微妙で非強制的な介入であり、選択を制限することなく行動に影響を与える。
論文参考訳（メタデータ） (2026-02-10T22:36:07Z)
Intra-tree Column Subsampling Hinders XGBoost Learning of Ratio-like Interactions [0.0]
XGBoostにおける木内カラムサブサンプリングが,その合成を困難にしているかどうかを検討した。どちらのプロセスでも、ツリー内カラムサブサンプリングはプリミティブのみの設定でPR-AUCのテストを減らす。実際には、比のような構造が可塑性である場合、木内サブサンプリングを避けるか、意図した比の特徴を含むかのいずれかである。
論文参考訳（メタデータ） (2026-01-13T01:27:01Z)
Unregularized Linear Convergence in Zero-Sum Game from Preference Feedback [50.89125374999765]
NLHFにおける最適乗算重み更新(mathtOMWU$)に対する最初の収束保証を提供する。本分析では, 稀に発生する行動の確率が指数関数的に小さい値から指数関数的に増大する新たな限界収束挙動を同定する。
論文参考訳（メタデータ） (2025-12-31T12:08:29Z)
Synaptic Pruning: A Biological Inspiration for Deep Learning Regularization [4.080348897270072]
生物をよりよく反映する等級に基づくシナプス刈り法を提案する。ドロップアウトの代替品としてトレーニングループに直接統合された RNN、LSTM、Patch Time Series Transformerを含む複数の時系列予測モデルの実験は、一貫した利得を示している。
論文参考訳（メタデータ） (2025-08-12T20:36:00Z)
Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
論文参考訳（メタデータ） (2024-05-23T13:22:17Z)
Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文参考訳（メタデータ） (2023-02-06T16:38:43Z)
RankFeat: Rank-1 Feature Removal for Out-of-distribution Detection [65.67315418971688]
textttRankFeat は OOD 検出のためのシンプルだが効果的な textttpost hoc アプローチである。 textttRankFeatは、Emphstate-of-the-artパフォーマンスを実現し、以前のベストメソッドと比較して平均偽陽性率(FPR95)を17.90%削減する。
論文参考訳（メタデータ） (2022-09-18T16:01:31Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。