論文の概要: Conformal Prediction for Uncertainty Estimation in Drug-Target Interaction Prediction

• arxiv url: http://arxiv.org/abs/2505.18890v1
• Date: Sat, 24 May 2025 22:31:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.728713
• Title: Conformal Prediction for Uncertainty Estimation in Drug-Target Interaction Prediction
• Title（参考訳）: 薬物・標的相互作用予測における不確かさ推定の整合予測
• Authors: Morteza Rakhshaninejad, Mira Jurgens, Nicolas Dewolf, Willem Waegeman,
• Abstract要約: 薬物-標的相互作用予測のための3つのクラスタ条件境界共形予測法を解析した。 グループ条件付きCPは、あるエンティティが親しみのあるときにうまく機能するが、残差駆動クラスタリングはスパースや新規シナリオにおいても堅牢な不確実性推定を提供する。 これらの結果は、不確実性の下でDTI予測を改善するためのクラスタベースのCPの可能性を強調している。
• 参考スコア（独自算出の注目度）: 1.474945380093949
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate drug-target interaction (DTI) prediction with machine learning models is essential for drug discovery. Such models should also provide a credible representation of their uncertainty, but applying classical marginal conformal prediction (CP) in DTI prediction often overlooks variability across drug and protein subgroups. In this work, we analyze three cluster-conditioned CP methods for DTI prediction, and compare them with marginal and group-conditioned CP. Clusterings are obtained via nonconformity scores, feature similarity, and nearest neighbors, respectively. Experiments on the KIBA dataset using four data-splitting strategies show that nonconformity-based clustering yields the tightest intervals and most reliable subgroup coverage, especially in random and fully unseen drug-protein splits. Group-conditioned CP works well when one entity is familiar, but residual-driven clustering provides robust uncertainty estimates even in sparse or novel scenarios. These results highlight the potential of cluster-based CP for improving DTI prediction under uncertainty.
• Abstract（参考訳）: 薬物発見にはDTI予測と機械学習モデルが不可欠である。 このようなモデルはまた、それらの不確実性の信頼できる表現を提供するべきであるが、DTI予測に古典的な境界共形予測(CP)を適用すると、しばしば薬物やタンパク質のサブグループ間での変動性を見落としてしまう。 本研究では, DTI予測のための3つのクラスタ条件CP法を解析し, 限界条件とグループ条件CPとの比較を行う。 クラスタリングは、それぞれ非整合性スコア、特徴類似性、および最も近い隣人によって得られる。 4つのデータ分割戦略を用いたKIBAデータセットの実験では、非整合性に基づくクラスタリングが最も厳密な間隔と最も信頼性の高いサブグループカバレッジ、特にランダムで完全に見えない薬物タンパク質の分割が得られている。 グループ条件付きCPは、あるエンティティが親しみのあるときにうまく機能するが、残差駆動クラスタリングはスパースや新規シナリオにおいても堅牢な不確実性推定を提供する。 これらの結果は、不確実性の下でDTI予測を改善するためのクラスタベースのCPの可能性を強調している。

関連論文リスト

• Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
  有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。 本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-17T12:01:56Z)
• Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
  コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。 しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。 信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T15:37:11Z)
• Posterior Conformal Prediction [11.576645675675096]
  コンフォーマル予測は、分布のないカバレッジ保証を伴う予測区間を構築するための一般的な手法である。 本稿では,境界条件と近似条件の双方で予測間隔を生成する手法として,後続コンフォメーション予測(PCP)を提案する。 社会経済・科学・医療分野の多様なデータセットを対象としたPCPの性能評価を行った。
  論文  参考訳（メタデータ） (2024-09-29T14:09:07Z)
• Evidential Uncertainty Sets in Deep Classifiers Using Conformal Prediction [1.2430809884830318]
  画像分類器に対して,共形予測セットを生成するためのEvidential Conformal Prediction (ECP)法を提案する。 本手法は,Evidential Deep Learning (EDL) にルーツを持つ非整合スコア関数に基づく。
  論文  参考訳（メタデータ） (2024-06-16T03:00:16Z)
• Adapting Conformal Prediction to Distribution Shifts Without Labels [16.478151550456804]
  コンフォーマル予測(CP)により、機械学習モデルは、保証されたカバレッジ率で予測セットを出力できる。 我々の目標は、テストドメインからのラベルなしデータのみを使用して、CP生成予測セットの品質を改善することです。 これは、未ラベルテストデータに対するベースモデルの不確実性に応じてCPのスコア関数を調整する、ECP と EACP と呼ばれる2つの新しい手法によって達成される。
  論文  参考訳（メタデータ） (2024-06-03T15:16:02Z)
• The Pitfalls and Promise of Conformal Inference Under Adversarial Attacks [90.52808174102157]
  医療画像や自律運転などの安全クリティカルな応用においては、高い敵の堅牢性を維持し、潜在的敵の攻撃から保護することが不可欠である。 敵対的に訓練されたモデルに固有の不確実性に関して、注目すべき知識ギャップが残っている。 本研究では,共形予測(CP)の性能を標準対向攻撃の文脈で検証することにより,ディープラーニングモデルの不確実性について検討する。
  論文  参考訳（メタデータ） (2024-05-14T18:05:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。