論文の概要: Oracle-Budgeted Molecular Optimization with Short-Term Graph Memory

• arxiv url: http://arxiv.org/abs/2607.28437v1
• Date: Thu, 30 Jul 2026 16:13:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.65383
• Title: Oracle-Budgeted Molecular Optimization with Short-Term Graph Memory
• Title（参考訳）: 短期グラフメモリを用いたOracle予算の分子最適化
• Abstract要約: 本稿では,ジェネレータアーキテクチャとネイティブ更新ルールを保存するプラグインモジュールである短期グラフメモリを紹介する。 モジュールは、各ラウンドの候補プールをプリスクリーンするオンライングラフニューラルネットワークサロゲートを維持している。 平均的なトップ10スコアを、余分なオラクルコストなしで改善し、あらゆるオラクルのベースに落ちることはない。
• 参考スコア（独自算出の注目度）: 13.101703587509641
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular optimization is commonly performed under a limited oracle budget, which makes deciding what to evaluate as important as deciding what to generate. We introduce short-term graph memory, a plug-in module that preserves the generator architecture and native update rule while learning from previously evaluated molecules to prioritize subsequent oracle queries. The module maintains an online graph neural surrogate that pre-screens each round's candidate pool, so the fixed oracle budget is spent on molecules with higher predicted utility. Applied to a fragment-based generator on a standard molecular optimization benchmark, it improves the mean top-10 score at no extra oracle cost and never falls behind the base on any oracle; the gain extends to all four generators we tested at a tight budget of one thousand calls. We then analyze how surrogate-guided selection interacts with the exploration and exploitation behavior of different generators. Its benefit at larger budgets is consistent with two properties of the backbone: how broadly it searches, and how effectively its native search already exploits oracle feedback. We provide a simple way to spend a fixed oracle budget more selectively, and evidence on which generators benefit from it.
• Abstract（参考訳）: 分子最適化は通常、限られたオラクル予算の下で行われ、何を評価するかは、何を生成するかを決定するのと同じくらい重要かを決定する。 本稿では,前述した分子から学習し,後続のオラクルクエリを優先しながら,ジェネレータアーキテクチャとネイティブ更新ルールを保存するプラグインモジュールである短期グラフメモリを紹介する。 このモジュールは、各ラウンドの候補プールをプリスクリーンするオンライングラフニューラルサロゲートを維持している。 標準的な分子最適化ベンチマークのフラグメントベースのジェネレータに適用すると、平均トップ10スコアを余分なオラクルコストで改善し、あらゆるオラクルのベースに落ちることはない。 次に、サロゲート誘導選択が、異なるジェネレータの探索と搾取行動とどのように相互作用するかを分析する。 大きな予算での利点は、バックボーンの2つの特性と一致している。 我々は、固定されたオラクル予算をより選択的に使うための簡単な方法と、どのジェネレータがそれの恩恵を受けるかを示す証拠を提供する。

関連論文リスト

• SkillLift: Learning Dense Rubrics from Sparse Oracles for Efficient Skill Evolution [2.429897021787139]
  LLMをベースとしたエージェントは、再利用可能な手続き的プロンプトという永続的なスキルに依存して、重み付けをせずに適応するようになっている。 既存のスキル自己進化手法は、実行フィードバックに基づいて、スキルテキストを直接修正するが、各オラクル評価には完全なエージェントロールアウトが必要である。 SkillLiftを提案する。これは、オラクルの整列したルーリックを構造化評価空間として学習することで、オラクルのコストからスキル検索を分離するものである。 複雑なエージェントタスクベンチマーク実験により,提案手法は,フロンティア進化手法と比較して,トークンコストを40～70%低減した既存のオートスキル手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-09-14T11:30:23Z)
• The Optimizer Is the Agent: Reasoning-Driven Search across Prompts, Programs, and ML Workflows [72.9051182568928]
  推論駆動最適化のための統合フレームワークであるReASearchを提案する。 共有エージェントループとドメイン固有のツールにより、ReASearchは、プロンプト、プログラム、MLを最適化するために、まったく同じスキャフォールドをインスタンス化する。 我々は,複雑な探索行動がエージェントの推論プロセスから自然に現れることを観察する。
  論文  参考訳（メタデータ） (2026-08-07T02:15:39Z)
• CADAQUES: A Cost-Aware Dual Architecture for Query-Efficient Autonomous Discovery [0.0]
  CADAQUESは1つのアーキテクチャ原理に基づいて構築された発見ループの第一級プリミティブである。 壁時間、CPU時間、金銭的コスト、言語モデルトークンにまたがる共通のベクトル値の予算に対する評価と決定の両方を課金する。 雑音の多い有限サイズ推定値から2次元Isingモデルの臨界温度を推定することでアーキテクチャを評価する。
  論文  参考訳（メタデータ） (2026-07-17T17:04:20Z)
• On the Design Space of Discrete Diffusion Online Adaptation for Molecular Optimization [55.27368653669229]
  分子最適化は、しばしば、有効な分子構造よりも広い事前をキャプチャする事前訓練された生成モデルから始まる。 離散拡散モデルに対する適応問題について検討する。 獲得、報酬形成、モデル脱バイアスは、特に小さな分子に対して、より高い報酬を得るための補完的な経路を提供する。
  論文  参考訳（メタデータ） (2026-07-03T00:06:31Z)
• Surrogate-Gated Generation and Foundation-Model Embeddings for Bayesian Materials Design [0.7500610196128554]
  我々は、安価で確率的なサロゲートがジェネレータの出力をトリアージできることを示し、そのようなサロゲートが何がうまくいかなければならないかを示す。 機械的, 電子的, 振動的特性にまたがる代理性能のクロスファクターベンチマークにより, ガウス過程による事前学習されたORBの埋め込みを最も信頼性の高い組合せとして同定した。 完全なパイプラインはオープンソースソフトウェアとしてリリースされている。
  論文  参考訳（メタデータ） (2026-06-26T20:10:01Z)
• MolMem: Memory-Augmented Agentic Reinforcement Learning for Sample-Efficient Molecular Optimization [30.982324843158057]
  MolMemはデュアルメモリシステムを備えたマルチターンエージェント強化学習フレームワークである。 Static Exemplar Memoryを使用して、コールドスタートグラウンドのための関連する例を検索し、Evolving Skill Memoryを使用して、成功したトラジェクトリを再利用可能な戦略に蒸留する。
  論文  参考訳（メタデータ） (2026-04-14T03:24:26Z)
• Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings [73.44599934855067]
  LookaHESは、動的で履歴に依存したコスト環境のために設計された非心筋BOフレームワークである。 LookaHESは、$H$-Entropy Searchのマルチステップ版と、パスワイズサンプリングとニューラルポリシー最適化を組み合わせたものだ。 私たちの革新は、構造化されたドメイン固有のアクションスペースを効果的にナビゲートするために、大きな言語モデルを含むニューラルポリシーの統合です。
  論文  参考訳（メタデータ） (2026-01-10T09:49:45Z)
• Oracle-Efficient Combinatorial Semi-Bandits [38.838934613131535]
  エージェントがベースアームのサブセットを選択し、個別のフィードバックを受け取るという半帯域問題について検討する。 我々は,厳格な後悔の保証を維持しつつ,オラクル呼び出しを大幅に削減するオラクル効率の高いフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-24T13:07:08Z)
• CryptOracle: A Modular Framework to Characterize Fully Homomorphic Encryption [3.5348336893819554]
  本稿では,FHE のオープンソースライブラリ OpenFHE の詳細な特徴について述べる。 我々は,(1)ベンチマークスイート,(2)ハードウェアプロファイラ,(3)予測性能モデルからなるモジュラー評価フレームワークであるCryptOracleを紹介する。
  論文  参考訳（メタデータ） (2025-10-03T23:30:29Z)
• ALGO: Synthesizing Algorithmic Programs with LLM-Generated Oracle Verifiers [60.6418431624873]
  大きな言語モデル(LLM)は、機能記述からコードを実装するのに優れているが、アルゴリズムの問題に悩まされている。 我々は,アルゴリズムプログラムを LLM 生成 Oracle で合成するフレームワーク ALGO を提案し,その生成をガイドし,その正確性を検証する。 実験の結果,ALGOを装着すると,Codexモデルよりも8倍,CodeTよりも2.6倍の1サブミッションパス率が得られることがわかった。
  論文  参考訳（メタデータ） (2023-05-24T00:10:15Z)
• Controllable Text Generation with Neurally-Decomposed Oracle [91.18959622763055]
  我々はNeurAlly-Decomposed Oracle (NADO) を用いた自動回帰生成モデルを制御するフレームワークを提案する。 制御可能な生成のためのベースモデルにトークンレベルのガイダンスを組み込むためのクローズドフォーム最適解を提案する。
  論文  参考訳（メタデータ） (2022-05-27T20:17:53Z)
• Adapting to Misspecification in Contextual Bandits [82.55565343668246]
  我々は、$varepsilon$-misspecified contextual banditsに対して、新しいオラクル効率アルゴリズム群を導入する。 我々は、未知の不特定値に対して最適な$O(dsqrtT + varepsilonsqrtdT)$ regret boundを達成する最初のアルゴリズムを得る。
  論文  参考訳（メタデータ） (2021-07-12T21:30:41Z)

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。