論文の概要: GEqTrain: A Configuration-Driven Framework for Retargeting Equivariant Graph Neural Networks Across 3D Scientific Tasks

• arxiv url: http://arxiv.org/abs/2607.19083v2
• Date: Wed, 29 Jul 2026 09:42:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 16:47:49.710702
• Title: GEqTrain: A Configuration-Driven Framework for Retargeting Equivariant Graph Neural Networks Across 3D Scientific Tasks
• Title（参考訳）: GEqTrain: 均質なグラフニューラルネットワークを3D科学タスク全体にわたって再ターゲットする構成駆動フレームワーク
• Abstract要約: GEqTrainは、セマンティックス、モデル構成、トレーニング目的を分離する構成駆動フレームワークである。 共有表現とトレーニングのインフラは、構成変更のコストで、異なるタスク間で競合する精度を達成できることを示します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Equivariant graph neural networks provide a powerful modeling language for three-dimensional scientific data, but their reuse is often limited by implementations tied to specific tasks, outputs, and training regimes. We present GEqTrain, a configuration-driven framework that separates dataset semantics, model composition, and training objectives. Raw data are mapped to typed node-, edge-, and graph-level fields, while model stacks, losses, and training workflows are assembled declaratively through Hydra configurations. A shared equivariant backbone and training infrastructure can therefore be retargeted to a new task primarily through configuration. We demonstrate this flexibility on three different problems handled within one software stack: coarse-grained-to-atomistic backmapping of biomolecular systems, prediction of NMR chemical shifts in molecular solids, and equivariant generative modeling. Our aim is not to surpass individually optimized task-specific systems, but to show that a shared representation and training infrastructure can achieve competitive accuracy across qualitatively different tasks at the cost of a configuration change. We further introduce GEqDiff, a generative extension based on equivariant flow matching. GEqDiff treats user-defined equivariant fields as first-class generation targets, jointly transporting Cartesian positions and non-scalar node fields spanning representations up to l=3 within a single equivariant flow. We validate this capability on a controlled synthetic benchmark inspired by protein secondary-structure motifs, showing that fields with heterogeneous transformation properties can be reconstructed jointly and with high fidelity. By reducing the software overhead of moving between predictive and generative, scalar and tensorial settings, GEqTrain aims to make equivariant modeling more reproducible, extensible, and reusable.
• Abstract（参考訳）: 等変グラフニューラルネットワークは、3次元の科学的データのための強力なモデリング言語を提供するが、その再利用は特定のタスク、出力、トレーニング体制に結びついた実装によって制限されることが多い。 GEqTrainは、セマンティックス、モデル構成、トレーニング目的を分離する構成駆動フレームワークである。 生データはタイプされたノード、エッジ、グラフレベルのフィールドにマッピングされ、モデルスタック、損失、トレーニングワークフローはHydra設定を通じて宣言的に組み立てられる。 したがって、共有同変のバックボーンとトレーニングインフラストラクチャは、主に構成を通じて新しいタスクに再ターゲティングすることができる。 この柔軟性は、1つのソフトウェアスタック内で処理される3つの異なる問題(生体分子系の粗粒〜原子間バックマッピング、分子固体におけるNMR化学シフトの予測、同変生成モデリング)で実証される。 我々の目的は、個別に最適化されたタスク固有のシステムを超えるのではなく、共有表現とトレーニングインフラが、構成変更のコストで定性的に異なるタスク間で競合する精度を実現できることを示すことである。 さらに、同変フローマッチングに基づく生成拡張であるGEqDiffを紹介する。 GEqDiffは、ユーザ定義の同変フィールドを第一級生成ターゲットとして扱い、単一の同変フロー内のl=3までの表現にまたがるカルト位置と非スカラーノードフィールドを共同で輸送する。 タンパク質二次構造モチーフにインスパイアされた制御された合成ベンチマークにおいて、この能力を検証し、不均一な変換特性を持つフィールドを高い忠実度で共同で再構成可能であることを示す。 予測的、生成的、スカラー、テンソル的設定の間を移動するソフトウェアのオーバーヘッドを減らすことで、GEqTrainは同変モデリングをより再現可能、拡張可能、再利用可能なものにすることを目指している。

関連論文リスト

• Adaptive Domain Models: Bayesian Evolution, Warm Rotation, and Principled Training for Geometric and Neuromorphic AI [0.0]
  本稿では,3つの事前結果に基づいて,代替的なトレーニングアーキテクチャを開発する。 本稿では,一般目的モデルの潜在事前構造をADMトレーニングシステムを介して抽出する機構であるベイズ蒸留を導入する。 デプロイには、更新されたモデルがサービスを中断することなくアクティブな推論経路に遷移する運用パターンであるウォームローテーションを導入する。
  論文  参考訳（メタデータ） (2026-03-18T12:36:19Z)
• OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
  マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。 現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。 自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
  論文  参考訳（メタデータ） (2026-01-19T12:23:44Z)
• DeepChem Equivariant: SE(3)-Equivariant Support in an Open-Source Molecular Machine Learning Library [0.0]
  私たちはDEEPCHEMを拡張して、使用可能な同変モデルをサポートし、最小限のディープラーニングバックグラウンドを持つ科学者がモデルを構築し、訓練し、評価することを可能にする。 実装には、同変モデル、完全トレーニングパイプライン、包括的なテストとドキュメントをサポートする同変ユーティリティのツールキットが含まれています。
  論文  参考訳（メタデータ） (2025-10-19T15:45:57Z)
• UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
  自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。 ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• Equivariant Spatio-Temporal Attentive Graph Networks to Simulate Physical Dynamics [32.115887916401036]
  本研究では,物理系の力学を表現・シミュレートするFourier-temporal GNNの同変版を開発する。 分子レベル,タンパク質レベル,マクロレベルに対応する3つの実データセットについて,本モデルの評価を行った。
  論文  参考訳（メタデータ） (2024-05-21T15:33:21Z)
• Improving the Sample-Complexity of Deep Classification Networks with Invariant Integration [77.99182201815763]
  変換によるクラス内分散に関する事前知識を活用することは、ディープニューラルネットワークのサンプル複雑性を改善するための強力な方法である。 そこで本研究では,アプリケーションの複雑な問題に対処するために,プルーニング法に基づく新しい単項選択アルゴリズムを提案する。 本稿では,Rotated-MNIST,SVHN,CIFAR-10データセットにおけるサンプルの複雑さの改善について述べる。
  論文  参考訳（メタデータ） (2022-02-08T16:16:11Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)
• Frame Averaging for Invariant and Equivariant Network Design [50.87023773850824]
  フレーム平均化(FA)は、既知の(バックボーン)アーキテクチャを新しい対称性タイプに不変あるいは同変に適応するためのフレームワークである。 FAモデルが最大表現力を持つことを示す。 我々は,新しいユニバーサルグラフニューラルネット(GNN),ユニバーサルユークリッド運動不変点クラウドネットワーク,およびユークリッド運動不変メッセージパッシング(MP)GNNを提案する。
  論文  参考訳（メタデータ） (2021-10-07T11:05:23Z)
• Geometric and Physical Quantities improve E(3) Equivariant Message Passing [59.98327062664975]
  等変グラフネットワークを一般化する等変グラフニューラルネットワーク(SEGNN)を提案する。 このモデルは、ステアブルで構成され、メッセージと更新機能の両方に幾何学的および物理的情報を組み込むことができる。 計算物理学と化学におけるいくつかの課題において,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-10-06T16:34:26Z)

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。