論文の概要: Evolutionary One-Step Generators: Fast and Diverse Sampling for Discrete Design

• arxiv url: http://arxiv.org/abs/2610.08367v1
• Date: Tue, 06 Oct 2026 13:54:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.018221
• Title: Evolutionary One-Step Generators: Fast and Diverse Sampling for Discrete Design
• Title（参考訳）: 進化的ワンステップ発電機:離散設計のための高速・横サンプリング
• Abstract要約: 分子発見のようないくつかの個別の設計タスクは、計算コストの低い有用な候補の多様なコレクションを必要とする。 本研究では、離散出力に基づいて、コンパクトなジェネレータを直接訓練するフレームワークであるEGOを提案する。 分子生成ベンチマークでは、推定された高密度操作当たりの有効・一意の収率に対して50時間以上を達成する。
• 参考スコア（独自算出の注目度）: 12.723962896838467
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Several discrete design tasks, such as molecular discovery, require diverse collections of useful candidates at low computational cost. High validity alone does not guarantee a useful candidate library: repeatedly generating the same valid structures leaves few distinct alternatives. Training for both feasibility and diversity is challenging because many relevant criteria can only be evaluated after hard decoding. To address this challenge, we propose EGO (Evolutionary Generators with One-step inference), a framework for training compact generators directly on discrete outputs. The method combines distribution matching with structural constraints and optional diversity or history-dependent rewards, using antithetic low-rank evolution strategies without requiring criterion-specific differentiable surrogates. Once trained, the generator produces the entire graph in a single neural-network evaluation. On molecular generation benchmarks, our compact generator achieves over $50\times$ the valid-and-unique yield per estimated dense operation compared to recent one-step flow-map baselines while retaining high chemical validity. In scaffold completion, EGO achieves an observed $44.3\times$ speedup over MoLeR in generation to SMILES and produces approximately $10\times$ as many filter-passing proposals within matched time budgets for generation and screening. Beyond chemistry, EGO produces $1.54\times$ as many distinct held-out elite architectures as relaxed gradient training on NAS-Bench-101. The low generation cost may enable real-time candidate generation across discrete design tasks, supporting interactive exploration of constrained design spaces and rapid construction of candidate sets for downstream evaluation.
• Abstract（参考訳）: 分子発見のようないくつかの個別の設計タスクは、計算コストの低い有用な候補の多様なコレクションを必要とする。 有効性が高いだけでは有用な候補ライブラリは保証されない。 多くの関連する基準がハードデコード後にのみ評価できるため、実現可能性と多様性の両面でのトレーニングは難しい。 この課題に対処するため、離散出力に基づいてコンパクトなジェネレータを直接訓練するフレームワークであるEGO(Evolutionary Generators with One-step inference)を提案する。 この方法は、構造的制約と任意の多様性や歴史に依存した報酬とを組み合わさり、基準固有の差別化サロゲートを必要とせず、アンチセティックな低ランク進化戦略を使用する。 一度トレーニングすると、ジェネレータは単一のニューラルネットワーク評価でグラフ全体を生成します。 分子生成ベンチマークでは, 計算された高密度操作当たりの有効および一様の収率を50以上の時間で達成し, 化学的有効性を保ちながら最近の一段階フローマップベースラインと比較した。 足場完成時に、EGOは、世代ごとのMoLeRのスピードアップをSMILESに14.3ドル、マッチした時間予算内でのフィルタ通過提案を約10ドルとした。 化学以外では、ESOはNAS-Bench-101の緩やかな勾配トレーニングと同様に、多くの異なるエリートアーキテクチャーの1.54\times$を生産している。 低生成コストは、離散設計タスク間のリアルタイム候補生成を可能にし、制約された設計空間の対話的探索を支援し、下流評価のための候補セットを迅速に構築する。

関連論文リスト

• A Filtered Mixture-of-Generators for Fully Synthetic Survival Training [9.592144785458443]
  FoGS (Filtered Mixture-of-Generators for Survival Analysis)は、合成データ構築を生成ではなくサンプル選択として再編成する。 トレーニングオンシンセティックでテストオンリアルな16の公開データセット(C-indexとIBS、$0$100$scale)では、FoGSの収率はC-indexで$2.17$、IBSで$0.67$である。
  論文  参考訳（メタデータ） (2026-06-30T20:02:19Z)
• $V_1$: Unifying Generation and Self-Verification for Parallel Reasoners [69.66089681814013]
  $V_$は、効率的なペアワイドランキングを通じて生成と検証を統合するフレームワークである。 V_$-Inferはポイントワイド検証でPass@1を最大10%改善する。 V_$-PairRLは、標準のRLとポイントワイドのジョイントトレーニングよりも、テストタイムのスケーリングが7ドル--9%で向上する。
  論文  参考訳（メタデータ） (2026-03-04T17:22:16Z)
• Generative Multi-Objective Bayesian Optimization with Scalable Batch Evaluations for Sample-Efficient De Novo Molecular Design [1.8517039579627974]
  この研究は、デ・ノボ分子設計/発見のための代替的なモジュラーな「世代最適化」フレームワークを導入する。 我々は、最先端の潜在空間と離散的な分子最適化法に対して、このフレームワークをベンチマークする。 具体的には、持続的なエネルギー貯蔵に関するケーススタディにおいて、我々のアプローチは、新規で多種多様で高性能な有機(キノン系)陰極材料を迅速に発見することを示した。
  論文  参考訳（メタデータ） (2025-12-19T14:59:27Z)
• S$^4$C: Speculative Sampling with Syntactic and Semantic Coherence for Efficient Inference of Large Language Models [38.784951111677856]
  大規模言語モデル(LLM)は、様々な下流タスクにまたがる顕著な推論能力を示す。 その自己回帰的な性質は、相当なレイテンシ推論をもたらし、リアルタイムアプリケーションに課題を提起する。 マルチヘッドドラフトを利用して投機的サンプリングを拡張するSyntactic and Semantic Coherenceフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-17T03:38:19Z)
• Towards Automated Design of Riboswitches [38.46798525594529]
  新規リボスイッチの発見のための実験的スクリーニングと選択パイプラインは、高価で、時間がかかり、非効率である。 本稿では,多様な可変長候補のRNAフォーカスライブラリを提供する新しい方法であるlibLEARNAを提案する。
  論文  参考訳（メタデータ） (2023-07-17T19:34:59Z)
• Diversifying Design of Nucleic Acid Aptamers Using Unsupervised Machine Learning [54.247560894146105]
  短い一本鎖RNAとDNA配列(アプタマー)の逆設計は、一連の望ましい基準を満たす配列を見つけるタスクである。 我々は、Pottsモデルとして知られる教師なし機械学習モデルを用いて、制御可能なシーケンスの多様性を持つ新しい有用なシーケンスを発見することを提案する。
  論文  参考訳（メタデータ） (2022-08-10T13:30:58Z)
• Biological Sequence Design with GFlowNets [75.1642973538266]
  望ましい性質を持つデノボ生物配列の設計には、数ラウンドの分子のアイデアと高価なウェットラブ評価を伴う活性ループが伴うことが多い。 これにより、提案された候補の多様性は、構想段階において重要な考慮事項となる。 本稿では,不確実性推定と近年提案されているGFlowNetを多種多様な候補解の生成元として活用した能動的学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-02T15:53:38Z)
• Flow Network based Generative Models for Non-Iterative Diverse Candidate Generation [110.09855163856326]
  本稿では,アクションのシーケンスからオブジェクトを生成するためのポリシーを学習する問題について述べる。 本稿では,生成過程をフローネットワークとして見たGFlowNetを提案する。 提案した目的の任意のグローバルな最小限が、所望の分布から標本化する方針を導出することを証明する。
  論文  参考訳（メタデータ） (2021-06-08T14:21:10Z)
• Partition-Guided GANs [63.980473635585234]
  私たちは、スペースを小さな領域に分割し、それぞれがよりシンプルな分布を持ち、各パーティションごとに異なるジェネレータを訓練するパーティションーを設計します。 これはラベルを必要とせずに教師なしの方法で実行される。 各種標準ベンチマーク実験の結果,提案手法が近年の手法を上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-04-02T00:06:53Z)

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。