목표 지향 최적화는 분자 생성기가 원하는 성질을 갖는 후보를 제안하도록 유도하는 데 필수적이다. 그러나 이는 종종 정책 그래디언트 강화학습으로 구현되는데, 이는 모델 구조와 생성 절차에 따라 형태가 달라지는 생성 궤적 로그 확률을 요구한다. 이 때문에 옵티마이저를 아키텍처와 조건부 생성 설계에 걸쳐 재사용하기 어렵다. 지도 미세조정은 그런 장치가 전혀 필요 없지만, 갱신이 고정된 데이터셋에 의해 이끌리므로 보상이 갱신에 반영되지 않는다. 우리는 보상으로 고득점 분자의 엘리트 선택을 안내하고, 그 집합에 대해 모델 고유의 사전학습 손실로 모델을 갱신하는 Elite-Weighted Supervised Fine-tuning(EW-SFT)을 제안한다. ablation은 보상 정보가 선택된 집합 내 연속 가중보다는 주로 엘리트 선택을 통해 전달됨을 보여준다. 갱신이 점수가 매겨진 분자와 모델의 고유 손실만 사용하므로, 동일한 규칙이 autoregressive, masked-diffusion, discrete-flow 생성기와 de novo, motif-extension, linker-design 과제 모두에 적용된다. 두 kinases 참조 화합물에 대해 고정된 3D 형상 정렬 oracle 호출 예산에서 EW-SFT는 해당 기본 옵티마이저를 일관되게 능가한다. 또한 네 개의 held-out 참조에 대해 2D 유사도 oracle 하의 목표 지향 최적화를 더 개선하고, 궤적 수준 RL 공식 없이 sample-efficiency 벤치마크에서도 유사한 성능을 달성한다. 이러한 결과는 EW-SFT가 분자 생성기, 설계 제약, 참조, oracle에 걸쳐 통합적이고 효과적인 옵티마이저임을 보여준다.
시공간 그래프(spatio-temporal graph)는 시계열 예측, 분자 동역학, 헬스케어 모니터링과 같은 복잡한 동적 프로세스를 모델링하는 데 널리 사용됩니다. 최근 GDPR 및 CCPA와 같은 엄격한 프라이버시 규제로 인해 기존 시공간 그래프 모델은 승인되지 않은 데이터를 완전히 언러닝(unlearning)해야 하는 중대한 새로운 과제에 직면했습니다. 시공간 그래프의 각 노드(node)는 공간 및 시간 차원 모두에 걸쳐 정보를 전역적으로 확산시키기 때문에, 주로 정적 그래프 및 국소화된 데이터 제거를 위해 설계된 기존 언러닝 기법은 전체 모델(model) 재학습에 맞먹는 비용을 들이지 않고는 단일 노드를 효율적으로 삭제할 수 없습니다. 이를 해결하기 위해, 우리는 뇌량(corpus callosum) 구조에서 생물학적 영감을 얻은 시공간 그래프 언러닝 프레임워크인 CallosumNet을 제안합니다. CallosumNet은 두 가지 핵심적인 기술적 기여를 제공합니다. (1) 생물학적 영감을 받은 가상 엣지를 사용하여 서브그래프를 재구성하고, (2) 경량 메타-그래프 통합 층(layer)을 통해 서브그래프 간의 상호 연결된 시공간 의존성을 복원합니다. 네 가지 다양한 실제 데이터셋(dataset)에 대한 실증적 결과는 CallosumNet이 골드 모델에 매우 근접한 정확도를 유지하면서도 완전한 언러닝을 달성함을 보여줍니다. 코드는 https://github.com/wenlu-lab/STGraphUnlearning 에서 공개적으로 이용할 수 있습니다.
시공간 그래프는 교통 예측, 날씨 예측, 의료 모니터링 등의 응용을 뒷받침한다. GDPR 및 CCPA와 같은 개인정보 규정은 학습된 모델에서 무단 데이터를 완전히 제거할 것을 요구하지만, 시공간 그래프에서 이를 달성하기는 어렵다. 공간적·시간적 메시지 전달(message passing)을 통해 정보가 전역적으로 전파되기 때문에, 노드의 영향을 완전히 지우려면 비용이 큰 전체 그래프 재학습이 불가피하다. ST-graph 언러닝은 정확성과 효율성을 모두 요구한다. 우리는 공간 엔트로피 유도 분할을 사용해 균형 있고 국적으로 일관된 부분 그래프를 만들고, 경량 가상 엣지로 이들을 다시 연결하는 IsleNet을 제안한다. 언러닝 요청이 있으면 영향을 받은 부분 그래프 인코더와 가상 엣지 층만 재학습하여, 낮은 비용으로 정확한 제거를 보장한다. 네 개의 실세계 벤치마크에서의 실험은 IsleNet이 전체 그래프 정확도의 최대 94%를 달성하면서 언러닝 시간을 최대 한 자릿수까지 줄인다는 것을 보여준다. 코드는 https://github.com/wenlu-lab/STGraphUnlearning 에서 공개적으로 이용할 수 있다.