Conceitos Básicos
限られた数の分子でも、階層的な特徴を学習することで、効率的に分子を生成できる。
Resumo
本論文では、低データ環境での効率的な分子生成手法「HI-Mol」を提案している。
- 分子の階層的な特徴を捉えるため、テキスト逆転手法に基づいて、共通トークン、中間トークン、詳細トークンの3つのレベルのトークンを学習する。
- 学習したトークンの補間を用いて、新規な分子を生成する。
- 実験では、MoleculeNetやQM9のデータセットで、従来手法と比べて高い性能を示した。特に、QM9データセットでは、訓練データを50倍削減しても従来手法を上回る性能を達成した。
- 生成した分子を用いた低データ環境での分子特性予測タスクでも高い性能を示した。
Estatísticas
分子生成の性能指標FCD(Frechet ChemNet Distance)が、HIVデータセットで20.2 → 16.6に改善された。
分子生成の性能指標NSPDKが、HIVデータセットで0.033 → 0.019に改善された。
生成分子の活性度(Active ratio)が、HIVデータセットで3.7 → 11.4に改善された。
Citações
"限られた数の分子でも、階層的な特徴を学習することで、効率的に分子を生成できる。"
"QM9データセットでは、訓練データを50倍削減しても従来手法を上回る性能を達成した。"