論文の概要: PETA:Parameter-Efficient Test-Time Adaptation for Virtual Screening

• arxiv url: http://arxiv.org/abs/2608.19906v1
• Date: Thu, 20 Aug 2026 11:17:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.552803
• Title: PETA:Parameter-Efficient Test-Time Adaptation for Virtual Screening
• Title（参考訳）: PETA:仮想スクリーニングのためのパラメータ効率の良いテスト時間適応
• Abstract要約: 我々は,事前学習されたモデルをテスト時に直接適応するパラメータ効率のフレームワークであるPETAを提案する。 PETAは、分子拡散と化学的妥当性フィルタリングを通じてポケット特異な陰性を形成する。 ランク付け対象は、上位のスクリーニング結果が汚染される可能性のある、上位の無効候補の抑制に重点を置いている。
• 参考スコア（独自算出の注目度）: 49.976632553053285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately ranking active ligands for a target protein pocket from massive chemical libraries remains a central challenge in virtual screening. DrugCLIP and its recent extensions substantially accelerate this process by encoding protein pockets and molecules into a shared embedding space. Despite this progress, further performance improvements typically require retraining the entire model, incurring substantial computational overhead and making target-specific customization inefficient. In this work, we formulate the specialization of pretrained virtual screening models to individual pockets as a test-time adaptation problem and propose PETA, a parameter-efficient framework that directly adapts pretrained model at test time. Given a target pocket, PETA constructs pocket-specific negatives through molecular diffusion and chemical validity filtering, and further moves them toward the reference ligand retrieved from structural databases via embedding-space mixup to create more challenging ranking tasks. A ranking objective then places greater emphasis on suppressing high-scoring invalid candidates that could contaminate the top-ranked screening results, providing structured supervision for lightweight adaptation. Experiments across diverse benchmarks demonstrate that this lightweight, pocket-specific adaptation outperforms both pretrained and fully retrained baselines while updating only the LayerNorm parameters, which account for approximately $0.03\%$ of the full model.
• Abstract（参考訳）: 大規模化学ライブラリーからの標的タンパク質ポケットの活性リガンドの正確なランク付けは、バーチャルスクリーニングにおける中心的な課題である。 DrugCLIPとその最近の拡張は、タンパク質ポケットと分子を共有埋め込み空間にコードすることで、このプロセスを著しく加速した。 この進歩にもかかわらず、さらなるパフォーマンス改善は、通常、モデル全体をトレーニングし、かなりの計算オーバーヘッドを発生させ、ターゲット固有のカスタマイズを非効率にする。 本研究では,テスト時間適応問題として,事前学習された仮想スクリーニングモデルの個々のポケットへの特殊化を定式化し,事前学習されたモデルをテスト時に直接適応するパラメータ効率の高いフレームワークであるPETAを提案する。 ターゲットポケットが与えられた後、PETAは分子拡散と化学的妥当性フィルタリングによってポケット特異な負を合成し、さらに埋め込み空間の混合により構造データベースから取得した参照リガンドへ移動し、より困難なランキングタスクを生成する。 ランキングの目的は、トップランクのスクリーニング結果を汚染し、軽量適応のための構造化された監督を提供する可能性のある、ハイスコアな無効候補の抑制に重点を置いている。 さまざまなベンチマークの実験により、この軽量でポケット固有の適応は、事前トレーニングされたベースラインと完全に再トレーニングされたベースラインの両方に優れ、同時に、LayerNormパラメータのみを更新する。

関連論文リスト

• CurateEvo: Data-Curation Evolving for Agentic Post-Training [53.68149869349268]
  エージェント学習後データキュレーションのための障害駆動動的進化フレームワークであるCurateEvoを提案する。 CurateEvoは、キュレーション戦略を実行可能なコードとして表現し、保持された開発セットから失敗したトラジェクトリを使って反復的に書き直します。 各エポックにおいて、進化した戦略は、固定された生コーパスを教師付き微調整データ、強化学習データ、推論時メモリバンクに変換する。
  論文  参考訳（メタデータ） (2026-07-07T11:07:00Z)
• ALL-PET: A Low-resource and Low-shot PET Foundation Model in Projection Domain [33.678018449132715]
  ALL-PETはプロジェクションドメインで直接動作する低解像度の低ショットPETファンデーションモデルである。 ランダム化された画像ドメインマスクをシングラム空間に投影することで、20万以上の構造的に多様なトレーニングサンプルを生成する。 低用量再構成、減衰補正、遅延フレーム予測、トレーサ分離などのタスクを一般化し、24GB以下のメモリ使用で効率的に動作させる。
  論文  参考訳（メタデータ） (2025-09-11T04:03:52Z)
• Accurate Parameter-Efficient Test-Time Adaptation for Time Series Forecasting [2.688011048756518]
  実世界の時系列は、しばしば非定常的な性質を示し、事前訓練された予測モデルの性能を低下させる。 PETSAは,入力と出力の小さなキャリブレーションモジュールのみを更新することで,予測器をテスト時に適応させる手法である。 PETSAは低ランクのアダプタと動的ゲーティングを使用して、リトレーニングなしで表現を調整する。
  論文  参考訳（メタデータ） (2025-06-29T23:09:35Z)
• APCoTTA: Continual Test-Time Adaptation for Semantic Segmentation of Airborne LiDAR Point Clouds [14.348191795901101]
  空中レーザースキャン(ALS)ポイントクラウドセグメンテーションは、大規模3Dシーン理解の基本的な課題である。 Continuous Test-Time Adaptation (CTTA)は、ソース予測モデルを適用して、未ラベルのターゲットドメインを進化させるソリューションを提供する。 我々は,ALSポイントクラウドセマンティックセグメンテーションに適した最初のCTTA手法であるAPCoTTAを提案する。
  論文  参考訳（メタデータ） (2025-05-15T05:21:16Z)
• Faster Parameter-Efficient Tuning with Token Redundancy Reduction [40.23937560360372]
  遅延効率チューニング(PET)は、少数のパラメータを学習することで、事前訓練された基礎モデルを下流タスクに転送することを目的としている。 PETは、訓練済みのモデル容量が指数関数的に増加するにも拘わらず、各タスクのストレージと転送コストを著しく削減する。 ほとんどのPET法は、大きなバックボーンモデルの推論を継承し、しばしば計算オーバーヘッドを増大させる。
  論文  参考訳（メタデータ） (2025-03-26T07:15:08Z)
• ALoRE: Efficient Visual Adaptation via Aggregating Low Rank Experts [71.91042186338163]
  ALoREは、Kroneckerによって構築された超複素パラメータ化空間をAggregate Low Rank Expertsに再利用する新しいPETL法である。 巧妙な設計のおかげで、ALoREは無視できる余分なパラメータを保持し、凍ったバックボーンに強制的にマージできる。
  論文  参考訳（メタデータ） (2024-12-11T12:31:30Z)
• HiDe-PET: Continual Learning via Hierarchical Decomposition of Parameter-Efficient Tuning [55.88910947643436]
  予備学習モデル(PTM)とパラメータ効率チューニング(PET)を組み合わせた連続学習(CL)統合フレームワークを提案する。 タスク固有知識とタスク共有知識を取り入れることで目的を明示的に最適化する革新的な手法である階層分解PET(HiDe-PET)を提案する。 提案手法は,近年の強いベースラインの幅広いスペクトルに対して,極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-07T01:50:25Z)
• Test-Time Model Adaptation with Only Forward Passes [68.11784295706995]
  テストタイム適応は、トレーニング済みのモデルを、潜在的に分布シフトのある未確認テストサンプルに適応させるのに有効であることが証明されている。 テスト時間フォワード最適化適応法(FOA)を提案する。 FOAは量子化された8ビットのViTで動作し、32ビットのViTで勾配ベースのTENTより優れ、ImageNet-Cで最大24倍のメモリ削減を実現する。
  論文  参考訳（メタデータ） (2024-04-02T05:34:33Z)
• PETA: Parameter-Efficient Trojan Attacks [10.327226660571121]
  PETAはPLMの重みを損なう新しいトロイの木馬攻撃である。 攻撃者が被害者のトレーニングプロセスについて十分な知識を持っていない場合でも,攻撃成功率とクリーン精度の両方の観点からPETAの有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-01T12:07:44Z)
• ConPET: Continual Parameter-Efficient Tuning for Large Language Models [65.48107393731861]
  継続的な学習には、新しいタスクへのモデルの継続的な適応が必要である。 継続性を提案する。 効率的なチューニング(ConPET) - 一般化可能なパラダイム。 大規模言語モデルの連続的なタスク適応。
  論文  参考訳（メタデータ） (2023-09-26T08:52:04Z)

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。