Fugu-MT 論文翻訳(概要): Uncertainty Estimation for Molecular Diffusion Models

論文の概要: Uncertainty Estimation for Molecular Diffusion Models

arxiv url: http://arxiv.org/abs/2606.13451v1
Date: Thu, 11 Jun 2026 15:11:12 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-12 15:55:27.872839
Title: Uncertainty Estimation for Molecular Diffusion Models
Title（参考訳）: 分子拡散モデルの不確かさ推定
Authors: Paul Seij, Christian A. Naesseth, Stephan Mandt, Metod Jazbec,
Abstract要約: 分子拡散モデルにおけるサンプルごとの不確かさを推定する手法を提案する。その結果, 得られた不確実性スコアは, 試料品質の指標と負の相関を示した。
参考スコア（独自算出の注目度）: 19.558889439598254
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Diffusion models have seen wide adoption for 3D molecular generation, yet they offer no principled signal of when a generated molecule is likely to be of low quality. We propose a post-hoc method for estimating per-sample uncertainty in pretrained molecular diffusion models. Building on a Laplace approximation of the denoising network, we measure the variability of the noise prediction across the generation trajectory. Empirically, we show that the resulting uncertainty score is informative of sample quality, exhibiting a negative correlation with established sample-level quality metrics. We further study how the proposed uncertainty score can be used to filter generated samples, improving model performance via test-time scaling.
Abstract（参考訳）: 拡散モデルは3次元分子生成に広く採用されているが、生成した分子が低品質である可能性を示す原則的な信号は提供されていない。分子拡散モデルにおけるサンプルごとの不確かさを推定するためのポストホック法を提案する。復調ネットワークのラプラス近似に基づいて、生成軌道における雑音予測のばらつきを計測する。実験により, 得られた不確実性スコアは, 試料品質の指標と負の相関を示した。さらに、提案した不確実性スコアを用いて、生成されたサンプルをフィルタリングし、テスト時間スケーリングによるモデル性能を向上させる方法について検討する。

関連論文リスト

Uncertainty-Calibrated Diffusion for Reliable 3D Molecular Graph Generation [10.056180810643774]
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。
論文参考訳（メタデータ） (2026-06-01T02:48:22Z)
Flow Matching with Uncertainty Quantification and Guidance [14.952056744888912]
不確実性認識フローマッチング(英: Uncertainty-aware flow matching、UA-Flow)は、不確定性不確実性とともに速度場を予測するフローマッチングの軽量拡張である。 UA-Flowは流れのダイナミクスによる速度の不確かさの伝播によるサンプル当たりの不確かさを推定する。画像生成実験により,UA-Flowはベースライン法よりも試料の忠実度に強く相関した不確実性信号を生成することが示された。
論文参考訳（メタデータ） (2026-02-10T22:03:13Z)
Noise Conditional Variational Score Distillation [60.38982038894823]
騒音条件変化スコア蒸留(NCVSD)は, 予混合拡散モデルから生成消音剤を蒸留する新しい方法である。この知見を変分スコア蒸留フレームワークに組み込むことで、生成的デノイザのスケーラブルな学習を可能にする。
論文参考訳（メタデータ） (2025-06-11T06:01:39Z)
Generative Uncertainty in Diffusion Models [17.06573336804057]
合成試料の生成不確かさを推定するためのベイズ的枠組みを提案する。提案手法は, 品質の悪いサンプルを効果的に同定し, 既存の不確実性に基づく手法を著しく上回ることを示す。
論文参考訳（メタデータ） (2025-02-28T10:56:39Z)
Diffusion Model Guided Sampling with Pixel-Wise Aleatoric Uncertainty Estimation [10.269485943949332]
本稿では,拡散モデルのサンプリングフェーズにおける画素単位のアレタリック不確かさを推定する。この不確実性は、拡散モデルに特化して設計された摂動スキームによるデノナイジングスコアのばらつきとして計算される。 FIDスコアの点から,本手法がより優れたサンプル生成に繋がることを示す。
論文参考訳（メタデータ） (2024-11-29T19:02:08Z)
Provable Statistical Rates for Consistency Diffusion Models [87.28777947976573]
最先端の性能にもかかわらず、拡散モデルは、多くのステップが伴うため、遅いサンプル生成で知られている。本稿では, 整合性モデルに関する最初の統計理論に寄与し, 分散不整合最小化問題としてトレーニングを定式化している。
論文参考訳（メタデータ） (2024-06-23T20:34:18Z)
Projection Regret: Reducing Background Bias for Novelty Detection via Diffusion Models [72.07462371883501]
本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。 PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
論文参考訳（メタデータ） (2023-12-05T09:44:47Z)
DensePure: Understanding Diffusion Models towards Adversarial Robustness [110.84015494617528]
拡散モデルの特性を解析し,それらが証明された堅牢性を高める条件を確立する。事前訓練されたモデル(すなわち分類器)の信頼性向上を目的とした新しいDensePure法を提案する。このロバストな領域は多重凸集合の和であり、以前の研究で特定されたロバストな領域よりもはるかに大きい可能性が示されている。
論文参考訳（メタデータ） (2022-11-01T08:18:07Z)
Fake It Till You Make It: Near-Distribution Novelty Detection by Score-Based Generative Models [54.182955830194445]
既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
論文参考訳（メタデータ） (2022-05-28T02:02:53Z)
The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文参考訳（メタデータ） (2020-12-05T17:30:35Z)

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。