論文の概要: Inferential Mechanics Part 1: Causal Mechanistic Theories of Machine Learning in Chemical Biology with Implications

• arxiv url: http://arxiv.org/abs/2602.23303v1
• Date: Thu, 26 Feb 2026 18:09:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.83652
• Title: Inferential Mechanics Part 1: Causal Mechanistic Theories of Machine Learning in Chemical Biology with Implications
• Title（参考訳）: 推論力学 その1:化学生物学における機械学習の因果力学理論とその意味
• Authors: Ilya Balabin, Thomas M. Kaiser,
• Abstract要約: このシリーズは、化学理論、生物学的理論、確率理論、因果関係の融合を探求し、自然科学における機械学習の現在の因果的欠陥を修正する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning techniques are now routinely encountered in research laboratories across the globe. Impressive progress has been made through ML and AI techniques with regards to large data set processing. This progress has increased the ability of the experimenter to digest data and make novel predictions regarding phenomena of interest. However, machine learning predictors generated from data sets taken from the natural sciences are often treated as black boxes which are used broadly and generally without detailed consideration of the causal structure of the data set of interest. Work has been attempted to bring causality into discussions of machine learning models of natural phenomena; however, a firm and unified theoretical treatment is lacking. This series of three papers explores the union of chemical theory, biological theory, probability theory and causality that will correct current causal flaws of machine learning in the natural sciences. This paper, Part 1 of the series, provides the formal framework of the foundational causal structure of phenomena in chemical biology and is extended to machine learning through the novel concept of focus, defined here as the ability of a machine learning algorithm to narrow down to a hidden underpinning mechanism in large data sets. Initial proof of these principles on a family of Akt inhibitors is also provided. The second paper containing Part 2 will provide a formal exploration of chemical similarity, and Part 3 will present extensive experimental evidence of how hidden causal structures weaken all machine learning in chemical biology. This series serves to establish for chemical biology a new kind of mathematical framework for modeling mechanisms in Nature without the need for the tools of reductionism: inferential mechanics.
• Abstract（参考訳）: 今や、世界中の研究所で機械学習の技術が日常的に遭遇している。 大規模なデータセット処理に関して、MLとAI技術による印象的な進歩がなされている。 この進歩は、実験者がデータを消化し、興味のある現象に関する新しい予測を行う能力を高めた。 しかし、自然科学から得られたデータセットから生成された機械学習予測子は、しばしばブラックボックスとして扱われ、興味のあるデータセットの因果構造を詳細に考慮することなく広く一般的に使用される。 自然現象の機械学習モデルに関する議論に因果性をもたらす作業が試みられているが、厳密で統一された理論的な処理が欠如している。 この一連の3つの論文は、化学理論、生物学的理論、確率理論、因果関係の融合を探求し、自然科学における機械学習の現在の因果的欠陥を正す。 本シリーズのパート1では、化学生物学における現象の基本的な因果構造に関する公式な枠組みを提供し、ここでは機械学習アルゴリズムが大規模データセットに隠されたアンダーピン機構に絞り込む能力として定義されている焦点の概念を通じて機械学習に拡張されている。 Akt阻害剤のファミリーに対するこれらの原理の最初の証明も提供される。 第2部を含む第2部は化学類似性に関する公式な調査を行い、第3部は、隠れた因果構造が化学生物学におけるすべての機械学習を弱めることの広範な実験的証拠を示す。 このシリーズは、還元論の道具を必要とせずに、自然界のメカニズムをモデル化するための新しい種類の数学的枠組み、つまり推論力学を確立するために役立っている。

関連論文リスト

• Learning Biomolecular Motion: The Physics-Informed Machine Learning Paradigm [0.0]
  物理インフォームド機械学習は、データ駆動推論と物理的な制約を統合する体系的なフレームワークを提供する。 我々はこれらのアプローチを「生体分子閉鎖問題」の解として捉えている。 我々は、機械学習、統計物理学、計算化学の交差点における先進的な研究の道について概説する。
  論文  参考訳（メタデータ） (2025-11-10T00:24:06Z)
• Learning Causality for Modern Machine Learning [2.093689302081589]
  過去数十年間、経験的リスク最小化による機械学習は、学習において大きな能力を示してきた。 ERMは、変更の理解と処理方法の因果関係のモデリングを避けます。 本稿では,現代の機械学習において,より広範なタスクの因果性を取り入れ,実現する方法を検討する。
  論文  参考訳（メタデータ） (2025-06-13T21:03:49Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Closing the Loop: How Semantic Closure Enables Open-Ended Evolution? [0.042970700836450486]
  この写本は意味的クロージャの進化的出現を探求している。 生物学、生理学、生態心理学の概念を統合している。 我々は,生命の臨界特性を捉えることが可能なモデルを開発し,そのモデルとして,オートポエシス,予測,適応などがある。
  論文  参考訳（メタデータ） (2024-04-05T19:35:38Z)
• Brain-Inspired Machine Intelligence: A Survey of Neurobiologically-Plausible Credit Assignment [65.268245109828]
  本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。 我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。 本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
  論文  参考訳（メタデータ） (2023-12-01T05:20:57Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• Discovery of structure-property relations for molecules via hypothesis-driven active learning over the chemical space [0.0]
  本稿では,仮説学習に基づく化学空間上の能動的学習のための新しいアプローチを提案する。 我々は,データサブセットの小さな部分集合に基づいて,関心の構造と機能の関係性に関する仮説を構築した。 このアプローチでは、SISSOやアクティブラーニングといったシンボリックレグレッションメソッドの要素をひとつのフレームワークに統合する。
  論文  参考訳（メタデータ） (2023-01-06T14:22:43Z)
• Extracting a Knowledge Base of Mechanisms from COVID-19 Papers [50.17242035034729]
  我々はメカニズムの知識ベース(KB)の構築を追求する。 我々は、妥当性と幅のバランスをとる広範で統一されたスキーマを開発する。 実験は、新型コロナウイルスの文献に関する学際的な科学的検索を支援するためのKBの有用性を実証する。
  論文  参考訳（メタデータ） (2020-10-08T07:54:14Z)

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。