論文の概要: Expanding the Decision Space of Pretrained Models through Structured Re-Decoding
- arxiv url: http://arxiv.org/abs/2611.15109v1
- Date: Wed, 11 Nov 2026 06:37:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.067444
- Title: Expanding the Decision Space of Pretrained Models through Structured Re-Decoding
- Title(参考訳): 構造的再復号化による事前学習モデルの決定空間の拡大
- Abstract要約: モデルスコアやサンプル,あるいは外部仕様からローカル候補を構成する,トレーニング不要のフレームワークであるStructured Re-Decoding (SRD)を紹介した。
我々は,候補組換えが実現可能なサポートを拡大し,一定のKL分散予算の下で達成可能な報酬を向上できることを示す。
- 参考スコア(独自算出の注目度): 17.451421428741998
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Native decoders limit how pretrained models combine local predictions under new structural constraints. We introduce Structured Re-Decoding (SRD), a training-free framework that constructs local candidates from model scores, samples, or external specifications, jointly optimizes their selection, and verifies reconstructed outputs. We show that candidate recombination expands feasible support and can improve attainable reward under a fixed KL divergence budget. Across molecular generation, protein design, RNA structure prediction, and antibody modeling, SRD enables improved structured inference, including verified molecules absent from the original sample pool. External chemical templates further extend SRD to noncanonical amino acids, peptide cyclization, and grammar-guided molecular construction. Preliminary experiments on a physical coherent Ising machine demonstrate the feasibility of hardware-based optimization, suggesting broader opportunities for quantum and quantum-inspired approaches to structured inference and combinatorial optimization across scientific domains.
- Abstract(参考訳): ネイティブデコーダは、新しい構造制約の下で、事前訓練されたモデルがローカル予測をどのように組み合わせるかを制限する。
本研究では、モデルスコア、サンプル、外部仕様からローカル候補を構築し、それらの選択を共同で最適化し、再構成された出力を検証する、学習不要のフレームワークであるStructured Re-Decoding(SRD)を紹介する。
我々は,候補組換えが実現可能なサポートを拡大し,一定のKL分散予算の下で達成可能な報酬を向上できることを示す。
分子生成、タンパク質設計、RNA構造予測、抗体モデリングを通じて、SRDは、元のサンプルプールから欠落した証明された分子を含む構造推論を改善することができる。
外部化学テンプレートはさらにSRDを非カノニカルアミノ酸、ペプチド環化、および文法誘導分子構築へと拡張する。
物理コヒーレントIsingマシンの予備実験は、ハードウェアベースの最適化の実現可能性を示し、構造化推論に対する量子および量子に着想を得たアプローチと、科学領域全体にわたる組合せ最適化の幅広い機会を示唆している。
関連論文リスト
- Leveraging generative hallucination and biophysics-informed modeling for unified biomolecular sequence-structure co-design [18.17410967913783]
MCTH(Monte Carlo Tree Hallucination)は,全原子配列構造共設計を不確実性を考慮した計画手法とする推論のみのフレームワークである。
タンパク質-RNA、タンパク質-DNA、タンパク質-タンパク質-リガンド、タンパク質-リガンド設計の整合予算実験により、適応探索は単純なサンプリングとサイクリング戦略よりも改善されることが示された。
論文 参考訳(メタデータ) (2026-08-18T05:16:41Z) - Be Your Own Teacher: Steering Protein Language Models via Unsupervised Reward Optimization [85.4863852505905]
タンパク質言語モデル(PLM)の教師なし報酬最適化を導入する。
我々の重要な洞察は、本質的なモデルの不確実性とタンパク質表現モデルによって誘導される意味的整合性を組み合わせたタスク非依存報酬は、ベースモデルと温度レギュレーションの制御可能性指標と強い相関を示すことである。
我々のフレームワークは、ラベル付けされた好みや実験的なフィードバックが不足したり、利用できないような環境で、制御可能な生体分子設計へのスケーラブルな経路を提供する。
論文 参考訳(メタデータ) (2026-06-17T11:42:01Z) - Co-folding model guided by structural proteomics [0.0]
AIMS-Foldは、タンパク質構造生成モデルのための推論時誘導拡散フレームワークである。
XL-MS空間拘束とHDX-MS溶媒アクセシビリティプロファイルから導かれる物理的ポテンシャルの微分による生成的サンプリング軌道の導出を行う。
これにより、構造に基づく薬物設計のための強力で統合的な計算手法として、我々の枠組みが確立される。
論文 参考訳(メタデータ) (2026-05-25T14:54:08Z) - Scaling Atomistic Protein Binder Design with Generative Pretraining and Test-Time Compute [64.59043351161004]
両パラダイムを統一する新規な完全原子結合体生成法であるProteina-Complexaを提案する。
Proteina-Complexa は計算バインダー設計ベンチマークにおける新しい技術状態を設定する。
また, 界面水素結合最適化, フォールドクラス誘導結合体生成, 小分子ターゲットへの拡張, 酵素設計タスクについても述べる。
論文 参考訳(メタデータ) (2026-03-30T01:54:03Z) - Physics-informed diffusion models for extrapolating crystal structures beyond known motifs [2.154846250399764]
物理インフォームド拡散法を開発した。
これらのメトリクスを条件付けすることで、アーキテクチャ全体の生成性能が向上します。
その結果, 生成モデルは結晶構造予測の代用ではないが, 化学的に情報を得た多様性誘導出力によりCSP効率が向上することが示唆された。
論文 参考訳(メタデータ) (2025-10-27T10:21:35Z) - DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。
DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
論文 参考訳(メタデータ) (2024-03-07T02:53:40Z) - Beam Enumeration: Probabilistic Explainability For Sample Efficient
Self-conditioned Molecular Design [0.4769602527256662]
生成分子設計は概念実証から現実の応用へと移行してきた。
説明可能性とサンプル効率の主な課題は、生成設計を強化する機会である。
ビームは一般に言語に基づく分子生成モデルに適用できる。
論文 参考訳(メタデータ) (2023-09-25T08:43:13Z) - Protein Design with Guided Discrete Diffusion [67.06148688398677]
タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。
離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。
NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
論文 参考訳(メタデータ) (2023-05-31T16:31:24Z) - Retrieval-based Controllable Molecule Generation [63.44583084888342]
制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。
我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。
提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
論文 参考訳(メタデータ) (2022-08-23T17:01:16Z)
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。