論文の概要: MotifRole-Diff: Risk-Optimal Role-Aware Corruption for Masked Molecular Graph Diffusion
- arxiv url: http://arxiv.org/abs/2607.21634v1
- Date: Mon, 20 Jul 2026 21:04:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 20:58:56.931062
- Title: MotifRole-Diff: Risk-Optimal Role-Aware Corruption for Masked Molecular Graph Diffusion
- Title（参考訳）: MotifRole-Diff:Masked Molecular Graph Diffusionにおけるリスク・最適役割意識の崩壊
- Abstract要約: 本研究では,経験的に測定された難易度に応じてマスキング率を割り当てるロールアウェアの汚職プロセスを導入する。
トークンロール間の固定マスキング予算のリスク最適配分としてスケジュール選択を定式化する。
本定理は,下流生成性能を評価する一方で,モデル付きロール重み付け残差リスクの最適性を特徴付ける。
- 参考スコア（独自算出の注目度）: 1.075515727254947
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Masked discrete diffusion for molecular graph generation typically applies a uniform corruption schedule to all tokens in a lossless graph-to-sequence representation, implicitly treating structurally heterogeneous molecular components as equally difficult and equally important to reconstruct. However, different molecular graph token roles exhibit substantial variation in denoising difficulty and their influence on the decoded molecule, motivating role-specific corruption strategies. We introduce MotifRole-Diff, a role-aware corruption process that allocates masking rates according to empirically measured denoising difficulty and graph-level perturbation impact while preserving the model architecture, clean sequence space, and lossless molecular-graph decoder. We formulate schedule selection as the risk-optimal allocation of a fixed masking budget across token roles. Our theorem characterizes optimality for the modeled role-weighted residual risk, while downstream generation performance is evaluated empirically. Under matched architecture, training budget, and sampling compute, MotifRole-Diff improves validity on QM9 from 0.905 to 0.944 while reducing FCD from 1.701 to 1.609, and on MOSES improves validity from 0.920 to 0.938 while reducing FCD from 2.125 to 1.850. Role-wise diagnostics further show improved reconstruction across molecular graph token categories. Together, these matched-compute results indicate that structurally informed corruption is a more effective masking strategy than uniform schedules for serialized molecular graph diffusion.
- Abstract（参考訳）: 分子グラフ生成のためのマスク付き離散拡散は、通常、損失のないグラフからシーケンスへの表現において全てのトークンに均一な汚職スケジュールを適用し、構造的に不均一な分子成分を同様に困難で、再構成する上でも同様に重要であるとして暗黙的に扱う。
しかし、異なる分子グラフトークンの役割は、難解化の難しさとデコードされた分子への影響に大きな変化を示し、役割固有の汚職戦略を動機付けている。
モデルアーキテクチャ,清潔なシーケンス空間,損失のない分子グラフデコーダを保存しながら,経験的に測定されたデノイング困難およびグラフレベルの摂動の影響に応じてマスキング率を割り当てるロールアウェアの汚職プロセスであるMotifRole-Diffを紹介する。
トークンロール間の固定マスキング予算のリスク最適配分としてスケジュール選択を定式化する。
本定理は,下流生成性能を実証的に評価しながら,モデル付きロール重み付け残差リスクの最適性を特徴付ける。
一致したアーキテクチャ、トレーニング予算、サンプリング計算の下で、MotifRole-DiffはQM9の妥当性を0.905から0.944に改善し、FCDは1.701から1.609に、MOSESは0.920から0.938に改善し、FCDは2.125から1.850に改善した。
ロールワイド診断はさらに、分子グラフトークンのカテゴリ間での再構成の改善を示している。
これらの一致した計算結果から,分子グラフ拡散の均一なスケジュールよりも構造的情報による汚職が効果的なマスキング戦略であることが示唆された。
関連論文リスト
- Destroy Me: Automatic Artifact Generation for Histopathology Images [0.0]
Destroy Meは、現実的なアーティファクト合成とロバストなデータ拡張のためのフレームワークである。
パッチでトレーニングされたモデルは、独立した実世界のデータセットのベースラインを一貫して上回ります。
論文 参考訳（メタデータ） (2026-08-27T10:12:09Z) - AnchorDiff: Topology-Aware Masked Diffusion with Confidence-based Rewriting for Radiology Report Generation [2.2748974006378933]
医用画像から臨床的に正確なテキストレポートを自動生成することを目的とする。
既存の手法は自己回帰(AR)言語モデルに依存しており、因果依存性構造は生成を一方向の左から右へのプロセスに制限する。
本稿では,知識グラフに基づく臨床アンカーを拡散言語モデリングに統合したRRGのための最初のマスク付き拡散フレームワークであるAnchorDiffを提案する。
論文 参考訳（メタデータ） (2026-05-16T16:42:43Z) - Interpolating Discrete Diffusion Models with Controllable Resampling [49.771004594828405]
仮面拡散モデルは初期解凍による不可逆誤差に悩まされる。
自己補正が可能であるにもかかわらず、一様拡散モデルは、しばしば低品質のサンプルを生成する。
本稿では,中間潜伏状態への依存を減らすことで拡散を改善する補間離散拡散モデルを提案する。
論文 参考訳（メタデータ） (2026-04-19T07:55:57Z) - Timestep-Aware Block Masking for Efficient Diffusion Model Inference [48.764748095994996]
拡散確率モデル(DPM)は画像生成において大きな成功を収めたが、高い推論遅延に悩まされている。
本稿では,事前学習したDPMの計算グラフを時間単位に最適化する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-20T13:35:03Z) - Learning Flexible Forward Trajectories for Masked Molecular Diffusion [35.326540193307345]
仮面拡散モデル (MDMs) は離散データのモデリングにおいて顕著な進歩を遂げているが、分子生成におけるそのポテンシャルは未解明のままである。
標準MDMを適用すると、性能が著しく低下するという驚くべき結果が紹介される。
本研究では, 分子グラフ間の衝突を避けるため, 要素ごとの分解軌道を編成するMasked Element-wise Learnable Diffusion (MELD)を提案する。
論文 参考訳（メタデータ） (2025-05-22T15:30:17Z) - Res-MoCoDiff: Residual-guided diffusion models for motion artifact correction in brain MRI [4.893666625661374]
脳MRIの動作アーティファクトは、主に硬直した頭部の動きから、画質を低下させ、下流の応用を妨げる。
本研究では,MRIの運動アーチファクト修正に特化して設計された効率的な拡散確率モデルであるRes-MoCoDiffを紹介する。
提案手法は, 微少, 中等度, 重歪レベルにわたる運動アーティファクトの除去において, 優れた性能を示した。
論文 参考訳（メタデータ） (2025-05-06T13:02:40Z) - Simple and Critical Iterative Denoising: A Recasting of Discrete Diffusion in Graph Generation [0.0]
中間ノイズ状態間の依存関係は、逆ノイズ化プロセス中にエラーの蓄積と伝播を引き起こす。
本稿では, 離散拡散を単純化し, 問題を回避し, 簡易反復分解という新しい枠組みを提案する。
実験により,提案手法はグラフ生成タスクにおいて既存の離散拡散ベースラインを著しく上回ることを示す。
論文 参考訳（メタデータ） (2025-03-27T15:08:58Z) - Robust Graph Learning Against Adversarial Evasion Attacks via Prior-Free Diffusion-Based Structure Purification [12.965945661913759]
敵対的回避攻撃はグラフ学習に重大な脅威をもたらす。
本稿では,拡散型構造浄化フレームワークDiffSPを提案する。
回避攻撃に対するDiffSPの優れた堅牢性を示す。
論文 参考訳（メタデータ） (2025-02-07T15:21:47Z) - Masked Autoencoders Are Effective Tokenizers for Diffusion Models [56.08109308294133]
MAETokは自己エンコーダであり、再構築の忠実さを維持しながら意味的にリッチな潜在空間を学習する。
MaETokは1.69のgFIDで76倍高速トレーニングが可能で、512x512世代で31倍高い推論スループットを実現している。
論文 参考訳（メタデータ） (2025-02-05T18:42:04Z) - Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
分子に固有の二重レベル構造を考慮に入れたGODEを導入する。
分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。
異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
論文 参考訳（メタデータ） (2023-06-02T15:49:45Z) - DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。
分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。
また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
論文 参考訳（メタデータ） (2022-09-29T12:55:03Z) - Guided Diffusion Model for Adversarial Purification [103.4596751105955]
敵攻撃は、様々なアルゴリズムやフレームワークでディープニューラルネットワーク(DNN)を妨害する。
本稿では,GDMP ( Guided diffusion model for purification) と呼ばれる新しい精製法を提案する。
様々なデータセットにわたる包括的実験において,提案したGDMPは,敵対的攻撃によって引き起こされた摂動を浅い範囲に減少させることを示した。
論文 参考訳（メタデータ） (2022-05-30T10:11:15Z)
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。