English(EN) Out-of-Distribution Detection in Molecular Complexes via Diffusion Models for Irregular Graphs

新的扩散模型框架增强了分子图的分布外检测

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-07 04:00

研究人员开发了一个新的概率框架，用于检测复杂3D图数据（特别是分子结构）中的分布外（OOD）输入。该方法利用扩散模型以无监督方式学习训练数据的分布。该框架为3D坐标和离散特征引入了一个统一的连续扩散过程，能够计算每样本对数似然度，以此作为典型性的度量。该方法已在蛋白质-配体复合物上得到验证，成功将保留的蛋白质家族识别为OOD，并与独立结合亲和力模型的预测误差相关联。 AI

影响通过更好地检测新颖或意外的分子结构，这项研究有望提高机器学习模型在科学应用中的可靠性。

排序理由该集群包含一篇研究论文，详细介绍了使用扩散模型对分子图进行分布外检测的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · David Graber, Victor Armegioiu, Rebecca Buller, Siddhartha Mishra · 2026-07-07 04:00

Out-of-Distribution Detection in Molecular Complexes via Diffusion Models for Irregular Graphs

arXiv:2512.18454v3 Announce Type: replace Abstract: Predictive machine learning models generally excel on in-distribution data, but their performance degrades on out-of-distribution (OOD) inputs. Reliable deployment therefore requires robust OOD detection, yet this is particularl…

报道来源 [1]

Out-of-Distribution Detection in Molecular Complexes via Diffusion Models for Irregular Graphs

相关实体

相关话题