論文の概要: Interpretable and Steerable Molecular Graph Generation using Concept Bottlenecks

• arxiv url: http://arxiv.org/abs/2610.34227v1
• Date: Sun, 25 Oct 2026 11:45:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.562123
• Title: Interpretable and Steerable Molecular Graph Generation using Concept Bottlenecks
• Title（参考訳）: 概念ボトルネックを用いた解釈可能で安定な分子グラフ生成
• Abstract要約: 本稿では,DGGに概念ボトルネックを組み込むことにより,ユーザが生成プロセスの解釈,デバッグ,管理を行うことができることを提案する。 このことは分布の忠実度(より低いFCD)を一定に改善し、正当性や一意性に対してわずかに非系統的な効果しか与えないことを示す。 我々は1ショットの分子グラフ生成フレームワークに対するアプローチを評価するが、基礎となるアイデアはシーケンシャルグラフ生成にも移行できる。
• 参考スコア（独自算出の注目度）: 12.874638766464592
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep graph generators (DGGs) largely lack interpretability, which is a significant limitation for one of their most crucial applications, drug discovery, where interpretable and transparent generation could provide greater control over the desirability of generated molecules, thereby reducing trial-and-error in candidate selection. Common approaches to interpretability, such as disentanglement, cannot guarantee that the learned representations are human-interpretable. To address this, we propose incorporating concept bottlenecks into DGGs, allowing users to interpret, debug, and steer the generation process. We show that this consistently improves distributional fidelity (lower FCD), with only modest, non-systematic effects on validity and uniqueness. We further explore Concept Controller, an optimization-based steering approach that has proven to be effective for steerable image generation. We evaluate our approach on a one-shot molecular graph generation framework, though the underlying ideas can be transferred to sequential graph generation as well.
• Abstract（参考訳）: ディープグラフジェネレータ(DGG)は、その最も重要な応用の1つである薬物発見において重要な限界である解釈可能性に欠けており、そこでは、解釈可能かつ透明な生成が生成分子の望ましさをより制御し、候補選択における試行錯誤を減らすことができる。 解離のような解釈可能性に対する一般的なアプローチは、学習された表現が人間の解釈可能であることを保証できない。 そこで本研究では,DGGに概念ボトルネックを組み込むことで,ユーザが生成プロセスの解釈,デバッグ,管理を行うことができることを提案する。 これにより, 分布の忠実度(より低いFCD)は一定に向上し, 正当性や特異性に対する非系統的効果しか得られないことがわかった。 さらに、ステアブルな画像生成に有効であることが証明された最適化ベースのステアリングアプローチであるConcept Controllerについても検討する。 我々は1ショットの分子グラフ生成フレームワークに対するアプローチを評価するが、基礎となるアイデアはシーケンシャルグラフ生成にも移行できる。

関連論文リスト

• Latent Flow Matching for Molecular Graph Generation [16.80052703012206]
  事前訓練された変分オートエンコーダから得られるグラフ全体の潜在表現を明示的に生成する。 提案手法は, 最先端なグラフ生成モデルと比較して, 良好な品質効率のトレードオフを提供しながら, 高い妥当性とFCDを実現する。
  論文  参考訳（メタデータ） (2026-10-05T15:00:15Z)
• Probabilistic Concept Graph Reasoning for Multimodal Misinformation Detection [50.08054676999716]
  確率論的概念グラフ推論(PCGR)は,マルチモーダルな誤情報検出を構造化および概念ベース推論として再構成する,解釈可能かつ進化可能なフレームワークである。 PCGRは、最先端のMDD精度と、新たな操作タイプに対する堅牢性を達成し、粗い検出ときめ細かい操作認識の両方において、先行手法より優れている。
  論文  参考訳（メタデータ） (2026-03-26T09:08:31Z)
• Beyond the Black Box: Identifiable Interpretation and Control in Generative Models via Causal Minimality [52.57416398859353]
  因果的最小性は、明確な因果的解釈と頑健でコンポーネント単位で識別可能な制御を持つ拡散視覚と自己回帰言語モデルの潜在表現を許容できることを示す。 我々は階層的選択モデルのための新しい理論的枠組みを導入し、より高レベルな概念は低レベルの変数の制約された構成から生まれる。 これらの因果的基礎を持つ概念は、きめ細かいモデルステアリングのレバーとして機能し、透明で信頼性の高いシステムへの道を開く。
  論文  参考訳（メタデータ） (2025-12-11T14:59:14Z)
• Extracting Interpretable Logic Rules from Graph Neural Networks [7.262955921646328]
  グラフニューラルネットワーク(GNN)は入力特徴空間とグラフ構造の両方で動作する。 本稿では,GNN から解釈可能な論理規則を抽出するための新しいフレームワーク LOGI CXGNN を提案する。 LOGI CXGNNはモデルに依存しず、効率的で、データ駆動であり、事前定義された概念は不要である。
  論文  参考訳（メタデータ） (2025-03-25T09:09:46Z)
• Structure-Preference Enabled Graph Embedding Generation under Differential Privacy [10.222001716124467]
  構造参照可能なグラフ埋め込み生成であるSE-PrivGEmbをDP下で提案する。 任意の構造を選好するために、非ゼロベクトルの摂動による統一雑音耐性機構を設計する。 提案手法は,構造的等価性とリンク予測タスクにおいて,既存の最先端手法よりも優れる。
  論文  参考訳（メタデータ） (2025-01-07T00:43:18Z)
• DCBM: Data-Efficient Visual Concept Bottleneck Models [13.36057999450821]
  概念ボトルネックモデル(CBM)は、人間の理解可能な概念をベースとした予測によって、ニューラルネットワークの解釈可能性を高める。 我々は,解釈可能性を維持しつつ,概念生成時の大規模なサンプルサイズの必要性を低減できるデータ効率のCBMを提案する。
  論文  参考訳（メタデータ） (2024-12-16T09:04:58Z)
• Let Invariant Rationale Discovery Inspire Graph Contrastive Learning [98.10268114789775]
  ハイパフォーマンスな拡張は、インスタンス識別に関するアンカーグラフの健全な意味を保存すべきである。 新たなフレームワーク Rationale-aware Graph Contrastive Learning (RGCL) を提案する。 RGCLは有理数生成器を使用して、グラフのインスタンス識別に関する健全な特徴を論理として明らかにし、対照的な学習のための有理数認識ビューを生成する。
  論文  参考訳（メタデータ） (2022-06-16T01:28:40Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• 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)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。