論文の概要: Coverage Before Control: Route-Instruction Grounding and Steering for Controllable Retrosynthesis

• arxiv url: http://arxiv.org/abs/2609.39955v1
• Date: Wed, 30 Sep 2026 15:25:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 04:51:24.457366
• Title: Coverage Before Control: Route-Instruction Grounding and Steering for Controllable Retrosynthesis
• Title（参考訳）: 制御前の被覆:制御可能な再合成のための経路指示接地とステアリング
• Abstract要約: Route-Instruction Grounding and Steering (RIGS) は、命令条件付き再合成のための2段階のフレームワークである。 我々は、各積を候補前駆集合の数を増やしてペアリングすることで、ネストした1対1のトレーニング支援を構築する。
• 参考スコア（独自算出の注目度）: 8.964177843474411
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-step retrosynthesis models are commonly evaluated by their ability to recover recorded reactions. In practice, chemists may need to choose among several precursor sets for the same product, for example to preserve a particular motif. Recovering a recorded answer alone does not establish this ability to follow a preference. Satisfying such requests requires both coverage of relevant alternatives and control over which alternatives are favored. We introduce Route-Instruction Grounding and Steering (RIGS), a two-stage framework for instruction-conditioned retrosynthesis. Stage A trains a language projector, teaching it which alternatives an instruction favors or discourages. Stage B uses the projector learned in Stage A to steer a frozen generative model through lightweight residual adapters. We construct nested one-to-many training supports by pairing each product with increasing numbers of candidate precursor sets. Extensive experiments demonstrate that broader support helps the model generate a wider range of alternatives, and RIGS can learn to guide generation according to instructions. The relationship between coverage and control is consistent across model scales but non-monotone.
• Abstract（参考訳）: 単段階の逆合成モデルは、記録された反応を回復する能力によって一般的に評価される。 実際には、化学者は、例えば特定のモチーフを保持するために、同じ生成物のいくつかの前駆体を選択する必要がある。 記録された回答のみを復元することは、好みに従う能力を確立しない。 このような要求に満足するには、関連する選択肢のカバレッジと、どの選択肢が好まれるかのコントロールが必要である。 本稿では,命令条件付きレトロシンセシスのための2段階フレームワークであるルート・インストラクション・グラウンド・アンド・ステアリング(RIGS)を紹介する。 ステージAは言語プロジェクターを訓練し、命令のどちらが好ましくないかを教えます。 ステージBは、ステージAで学んだプロジェクターを使用して、軽量な残留アダプタを介して凍結生成モデルを操縦する。 我々は、各積を候補前駆集合の数を増やしてペアリングすることで、ネストした1対1のトレーニング支援を構築する。 広範囲な実験により、モデルが幅広い代替案を生成するのに役立つことが示され、RIGSは命令に従って生成をガイドする方法を学ぶことができる。 カバレッジとコントロールの関係はモデルスケールで一致しているが、モノトンではない。

関連論文リスト

• Controlled Decoding Attacks on Black-Box LLMs [68.46062477706256]
  Methodは、繰り返しサンプリングとアシスタント-継続を可能にする、テキストのみの継続インターフェイスを通じてジェイルブレイクを行うためのフレームワークである。 Risk-Gated Residual Controlは、進化する応答プレフィックスを使用して、配布の再構築と修正をいつ行うかを決定する。 Speculative Multi-Token Executionは、介入を必要としないドラフトプレフィックスの検証と受け入れによって、さらにターゲットコールを償却する。
  論文  参考訳（メタデータ） (2026-09-29T07:58:49Z)
• Plan Before Search: Search Agents Need Plan [66.42962362539934]
  サブスキル間の依存構造と蒸留が能力獲得への唯一の道ではない可能性について検討する。 本研究では,任意のターゲットモデルにおいてPlanを活性化するフィルタトラジェクトリを小型のシードモデルで生成する自己ブートストラッピングパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-05-27T11:54:15Z)
• What Linear Probes Miss: Multi-View Probing for Weight-Space Learning [8.474818775416637]
  MVProbeは、インタラクションを意識したビューで一階のシグナルを合成する、多視点のプロファイリングフレームワークである。 Model Jungleベンチマークでは、MVProbeが最先端のProbeXを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-22T09:18:01Z)
• PrefMoE: Robust Preference Modeling with Mixture-of-Experts Reward Learning [14.1606113351064]
  提案するPrefMoEは,厳密な嗜好モデリングのための,エキスパートの混合報酬学習フレームワークである。 PrefMoEは複数の専門的な報酬の専門家を学び、軌道レベルのソフトルーティングを使ってそれらを適応的に組み合わせる。 負荷分散レギュレータは、専門家の崩壊を防止してトレーニングをさらに安定化させる。
  論文  参考訳（メタデータ） (2026-05-01T04:06:44Z)
• A Reason-then-Describe Instruction Interpreter for Controllable Video Generation [88.95178842901095]
  本稿では,生の命令をダウンストリームビデオジェネレータの正確な動作可能な仕様に変換する汎用型モデル非依存インタプリタReaDeを提案する。 命令忠実度,キャプション精度,下流映像品質が一貫した向上を示した。
  論文  参考訳（メタデータ） (2025-11-25T17:59:07Z)
• RetroBridge: Modeling Retrosynthesis with Markov Bridges [2.256703675017117]
  再合成計画は、市販の開始物質から標的分子への反応経路を設計することを目的としている。 本稿では,2つの離散分布間の依存性を近似する生成フレームワークであるマルコフブリッジモデルを紹介する。 次に, 新たなフレームワークでレトロシンセシス計画問題に対処し, テンプレートレスレトロシンセシスモデリング手法RetroBridgeを導入する。
  論文  参考訳（メタデータ） (2023-08-30T15:09:22Z)
• On the Role of Bidirectionality in Language Model Pre-Training [85.14614350372004]
  本研究では,次のトークン予測,テキスト入力,ゼロショットプライミング,微調整における双方向性の役割について検討する。 最大6.7Bのパラメータを持つモデルをトレーニングし、スケールで一貫性のある相違点を見つけます。
  論文  参考訳（メタデータ） (2022-05-24T02:25:05Z)
• Unsupervised Controllable Generation with Self-Training [90.04287577605723]
  GANによる制御可能な世代は依然として困難な研究課題である。 本稿では,自己学習を通じてジェネレータを制御する潜伏符号の分布を学習するための教師なしフレームワークを提案する。 我々のフレームワークは、変分オートエンコーダのような他の変種と比較して、より良い絡み合いを示す。
  論文  参考訳（メタデータ） (2020-07-17T21:50:35Z)
• Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
  逐次リコメンデーションタスクのための自己指導型強化学習を提案する。 提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。 このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T11:18:57Z)

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。