MING：学习分子生成模型的函数方法
机器学习
2025-02-18 v2
摘要
传统的分子生成方法通常依赖于序列或图表示，这可能限制其表达力或需要复杂的置换等价结构。本文提出了一种基于函数表示的学习分子生成模型的新范式。具体而言，我们提出了分子隐式神经生成（MING），这是一种基于扩散模型的模型，学习函数空间中的分子分布。与标准数据空间的扩散过程不同，MING采用新颖的函数去噪概率过程，通过利用对潜在隐式神经表示进行期望最大化来联合去噪函数输入和输出空间的信息。这种方法使我们能够实现一种简单而有效的模型设计，准确地捕获底层函数分布。在分子相关数据集上的实验结果表明，MING的性能卓越，能够生成合理的分子样本，超过了最先进的数据空间方法，同时提供了更简洁的架构和显著更快的生成速度。代码可在 https://github.com/v18nguye/MING 获取。
引用
@article{arxiv.2410.12522,
title = {MING: A Functional Approach to Learning Molecular Generative Models},
author = {Van Khoa Nguyen and Maciej Falkiewicz and Giangiacomo Mercatali and Alexandros Kalousis},
journal= {arXiv preprint arXiv:2410.12522},
year = {2025}
}
备注
AISTATS 2025