基于上下文引导的扩散模型用于超出分布的分子与蛋白质设计
生物大分子
2024-07-17 v1 机器学习
机器学习
摘要
生成模型有潜力加速新型药物疗法和材料的发现关键步骤。扩散模型最近作为一种强大的方法涌现出来，在无条件样本生成方面表现出色，并通过数据驱动引导实现在训练域内的条件生成。可靠地从高价值区域（超出训练数据）进行采样仍是一个开放挑战——当前方法主要侧重于修改扩散过程本身。本文开发了上下文引导扩散（context-guided diffusion, CGD），这是一种简单且即插即用的方法，利用无标签数据和平滑约束来提高引导扩散模型的超出分布泛化能力。我们展示了该方法在各种设置下均带来显著的性能提升，包括连续、离散和图结构扩散过程，适用于药物发现、材料科学和蛋白质设计等领域。
引用
@article{arxiv.2407.11942,
title = {Context-Guided Diffusion for Out-of-Distribution Molecular and Protein Design},
author = {Leo Klarner and Tim G. J. Rudner and Garrett M. Morris and Charlotte M. Deane and Yee Whye Teh},
journal= {arXiv preprint arXiv:2407.11942},
year = {2024}
}
备注
Published in the Proceedings of the 41st International Conference on Machine Learning (ICML 2024)