論文の概要: Retrieval-guided Twin Fusion with Similarity-aware Contrast for Molecule-Text Alignment
- arxiv url: http://arxiv.org/abs/2608.16005v1
- Date: Mon, 17 Aug 2026 01:52:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.500463
- Title: Retrieval-guided Twin Fusion with Similarity-aware Contrast for Molecule-Text Alignment
- Title（参考訳）: 分子テクストアライメントのための類似性を考慮した検索誘導双晶融合
- Abstract要約: 本稿では,分子テクストアライメントのための類似性認識コントラスト(RISEN)を用いた検索誘導双核融合(Retrieval-guided Twin Fusion)を提案する。
RISENの中核となる考え方は、各サブ構造に対して、セマンティックエンハンスメントのためのクロスモーダル検索を備えた潜在双対分子を構築することである。
特に,各サブストラクチャクエリに対して,関連するテキスト記述を検索し,類似したサブストラクチャの記述を共有する複数の分子をサンプリングする。
- 参考スコア（独自算出の注目度）: 16.818672826278327
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper studies the problem of molecule-text alignment, which aims to project molecules and their textual descriptions into a joint latent space for downstream tasks including molecule search and molecular property prediction. Previous approaches typically combine graph structure mining with contrastive learning to enhance joint representation learning. However, they typically neglect fine-grained semantic relationships between substructures and texts, leading to suboptimal performance on downstream tasks. Towards this end, we propose a novel approach named Retrieval-guided Twin Fusion with Similarity-aware Contrast (RISEN) for molecule-text alignment. The core idea of RISEN is to construct a latent twin molecule for each substructure with cross-modal retrieval for semantic enhancement. In particular, for each substructure query, we retrieve relevant textual descriptions and sample several molecules that share similar descriptions of substructures. Then, we aggregate their representations via attention pooling for a twin latent representation, which would be further fused with the original substructure for representation enrichment. In addition, we measure the similarity across substructures and texts, which would further guide cross-modal contrastive learning with soft thresholding. Extensive experiments on benchmark datasets validate the superiority of the proposed RISEN in comparison with existing baselines.
- Abstract（参考訳）: 本稿では,分子探索や分子特性予測などの下流タスクのために,分子とそのテキスト記述を結合潜在空間に投影することを目的とした分子文アライメントの問題について検討する。
従来のアプローチでは、グラフ構造マイニングと対照的な学習を組み合わせて、共同表現学習を強化していた。
しかし、典型的にはサブストラクチャとテキスト間の微粒な意味関係を無視し、下流のタスクにおいて最適以下のパフォーマンスをもたらす。
そこで本研究では,分子テクストアライメントのためのRetrieval-guided Twin Fusion with similarity-aware Contrast (RISEN) という新しい手法を提案する。
RISENの中核となる考え方は、各サブ構造に対して、セマンティックエンハンスメントのためのクロスモーダル検索を備えた潜在双対分子を構築することである。
特に,各サブストラクチャクエリに対して,関連するテキスト記述を検索し,類似したサブストラクチャの記述を共有する複数の分子をサンプリングする。
次に,2つの潜在表現に対してアテンションプーリングによりそれらの表現を集約し,表現豊か化のための元の部分構造とさらに融合する。
さらに、サブストラクチャとテキスト間の類似度を測定し、ソフトしきい値を用いたクロスモーダルコントラスト学習をさらにガイドする。
ベンチマークデータセットの大規模な実験は、既存のベースラインと比較して提案されたRISENの優位性を検証する。
関連論文リスト
- LumiX: Structured and Coherent Text-to-Intrinsic Generation [56.659456254026985]
本稿では,コヒーレントテキスト-内在的生成のための構造化拡散フレームワークであるLumiXを紹介する。
LumiXはコヒーレントで物理的に有意義な結果をもたらし、23%のアライメントとより良い選好スコアを得る。
同じフレームワーク内でイメージ条件の分解を行うことも可能だ。
論文 参考訳（メタデータ） (2025-12-02T13:56:02Z) - RTMol: Rethinking Molecule-text Alignment in a Round-trip View [4.597922051722059]
分子キャプションとテキストからSMILES生成を自己教師付きラウンドトリップ学習により統合する双方向アライメントフレームワークであるRTMolを提案する。
実験により、RTMolは様々なLLMに対して、双方向アライメント性能を最大47%向上させることが示された。
論文 参考訳（メタデータ） (2025-11-15T09:55:55Z) - Retrieval over Classification: Integrating Relation Semantics for Multimodal Relation Extraction [6.478238734128006]
関係抽出(RE)は、非構造化テキストにおけるエンティティ間の意味的関係を特定することを目的としている。
underlineRetrieval underlineOver underlineClassification (ROC)は、リレーショナルセマンティクスによって駆動される検索タスクとしてマルチモーダルREを再構成する新しいフレームワークである。
ROCは、マルチモーダルエンコーダを通じてエンティティタイプと位置情報を統合し、大きな言語モデルを用いて関係ラベルを自然言語記述に拡張し、意味的類似性に基づくコントラスト学習を通じてエンティティ-リレーションペアを調整する。
論文 参考訳（メタデータ） (2025-09-25T13:38:38Z) - StructCoh: Structured Contrastive Learning for Context-Aware Text Semantic Matching [10.000850856259866]
StructCohはグラフ強化のコントラスト学習フレームワークである。
階層的な対照的な目的は、複数の粒度で一貫性を強制する。
3つの法的な文書マッチングベンチマークと学術的プラジャリズム検出データセットの実験は、大幅な改善を示している。
論文 参考訳（メタデータ） (2025-09-02T07:21:36Z) - Exploring Optimal Transport-Based Multi-Grained Alignments for Text-Molecule Retrieval [24.061535843472427]
最適TRansportに基づく多粒度アライメントモデル(ORMA)を導入する。
ORMAは、テキスト記述と分子間の多義的なアライメントを促進する新しいアプローチである。
ChEBI-20データセットとPCdesデータセットの実験結果から、ORMAが既存のSOTA(State-of-the-art)モデルを大幅に上回っていることが示されている。
論文 参考訳（メタデータ） (2024-11-04T06:30:52Z) - Towards Cross-Modal Text-Molecule Retrieval with Better Modality Alignment [23.86314167123294]
クロスモーダルテキスト-分子検索モデルは、テキストと分子の共有特徴空間を正確に類似性を計算するために学習することを目的としている。
これまでの研究は、テキストシーケンスと分子グラフの間の大きなギャップを考慮すると、モダリティ共有の特徴を捉えるのに不十分であった。
本稿では,2つの改良点を有するクロスモーダルテキスト-分子検索モデルを提案する。
論文 参考訳（メタデータ） (2024-10-31T08:03:13Z) - Spatial Semantic Recurrent Mining for Referring Image Segmentation [63.34997546393106]
高品質なクロスモーダリティ融合を実現するために,Stextsuperscript2RMを提案する。
これは、言語特徴の分散、空間的意味的再帰的分離、パーセマンティック・セマンティック・バランシングという三部作の作業戦略に従う。
提案手法は他の最先端アルゴリズムに対して好適に機能する。
論文 参考訳（メタデータ） (2024-05-15T00:17:48Z) - Atomas: Hierarchical Alignment on Molecule-Text for Unified Molecule Understanding and Generation [42.08917809689811]
クロスモーダル表現学習は、分子表現の質を高めるための有望な方向として登場した。
SMILES文字列とテキストから表現を共同で学習する階層的分子表現学習フレームワークAtomasを提案する。
Atomasは11のデータセット上の12のタスクで優れたパフォーマンスを実現し、11のベースラインモデルを上回っている。
論文 参考訳（メタデータ） (2024-04-23T12:35:44Z) - DiffCloth: Diffusion Based Garment Synthesis and Manipulation via
Structural Cross-modal Semantic Alignment [124.57488600605822]
クロスモーダルな衣料品の合成と操作は、ファッションデザイナーが衣料品を作る方法に大きな恩恵をもたらすだろう。
クロスモーダルな衣服合成と操作のための拡散型パイプラインDiffClothを紹介する。
CM-Fashionベンチマークの実験により、DiffClothはどちらも最先端の衣服合成結果を得ることが示された。
論文 参考訳（メタデータ） (2023-08-22T05:43:33Z) - Multimodal Relation Extraction with Cross-Modal Retrieval and Synthesis [89.04041100520881]
本研究は,対象物,文,画像全体に基づいて,テキストおよび視覚的証拠を検索することを提案する。
我々は,オブジェクトレベル,画像レベル,文レベル情報を合成し,同一性と異なるモダリティ間の推論を改善する新しい手法を開発した。
論文 参考訳（メタデータ） (2023-05-25T15:26:13Z) - Learnable Pillar-based Re-ranking for Image-Text Retrieval [119.9979224297237]
画像テキスト検索は、モダリティギャップを埋め、意味的類似性に基づいてモダリティコンテンツを検索することを目的としている。
一般的なポストプロセッシング手法であるリグレードは, 単一モダリティ検索タスクにおいて, 隣り合う関係を捕捉する優位性を明らかにしている。
本稿では,画像テキスト検索のための新しい学習可能な柱型リグレードパラダイムを提案する。
論文 参考訳（メタデータ） (2023-04-25T04:33:27Z) - Relation Clustering in Narrative Knowledge Graphs [71.98234178455398]
原文内の関係文は(SBERTと)埋め込み、意味論的に類似した関係をまとめるためにクラスタ化される。
予備的なテストでは、そのようなクラスタリングが類似した関係を検知し、半教師付きアプローチのための貴重な前処理を提供することが示されている。
論文 参考訳（メタデータ） (2020-11-27T10:43:04Z)
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。