Fugu-MT 論文翻訳(概要): In-Context Molecular Property Prediction with LLMs: A Blinding Study on Memorization and Knowledge Conflicts

論文の概要: In-Context Molecular Property Prediction with LLMs: A Blinding Study on Memorization and Knowledge Conflicts

arxiv url: http://arxiv.org/abs/2603.25857v1
Date: Thu, 26 Mar 2026 19:27:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-30 21:49:48.248256
Title: In-Context Molecular Property Prediction with LLMs: A Blinding Study on Memorization and Knowledge Conflicts
Title（参考訳）: LLMを用いたインコンテキスト分子特性予測:記憶と知識の衝突に関するブレンディング研究
Abstract要約: 本稿では,大規模言語モデル (LLM) が分子特性に対して真に文脈内回帰を行うか否かを考察する。学習前知識と文脈内情報との相互作用を、段階的に目が見えない一連の実験を通して分析する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The capabilities of large language models (LLMs) have expanded beyond natural language processing to scientific prediction tasks, including molecular property prediction. However, their effectiveness in in-context learning remains ambiguous, particularly given the potential for training data contamination in widely used benchmarks. This paper investigates whether LLMs perform genuine in-context regression on molecular properties or rely primarily on memorized values. Furthermore, we analyze the interplay between pre-trained knowledge and in-context information through a series of progressively blinded experiments. We evaluate nine LLM variants across three families (GPT-4.1, GPT-5, Gemini 2.5) on three MoleculeNet datasets (Delaney solubility, Lipophilicity, QM7 atomization energy) using a systematic blinding approach that iteratively reduces available information. Complementing this, we utilize varying in-context sample sizes (0-, 60-, and 1000-shot) as an additional control for information access. This work provides a principled framework for evaluating molecular property prediction under controlled information access, addressing concerns regarding memorization and exposing conflicts between pre-trained knowledge and in-context information.
Abstract（参考訳）: 大規模言語モデル(LLM)の能力は、自然言語処理から分子特性予測を含む科学的予測タスクまで拡張されている。しかし、広く使われているベンチマークでデータ汚染を訓練する可能性を考えると、文脈内学習におけるそれらの効果はあいまいである。本稿では, LLMが分子特性に対して真に文脈内回帰を行うか, 主に記憶値に依存するかを検討する。さらに,学習前の知識と文脈内情報との相互作用を,段階的に目が見えない一連の実験を通して分析する。本研究は,3家系にわたるLCM変異体(GPT-4.1, GPT-5, Gemini 2.5)を3つのMoleculeNetデータセット(Delaney Solubility, Lipophilicity, QM7 atomization energy)上で,可利用情報を反復的に減少させる系統的ブラインド手法を用いて評価した。補完として,情報アクセスのための追加制御として,テキスト内サンプルサイズ(0-,60-,1000-shot)を多用する。この研究は、制御された情報アクセス下での分子特性予測の評価、記憶に関する懸念への対処、事前学習された知識と文脈内情報との矛盾を明らかにするための原則化されたフレームワークを提供する。

関連論文リスト

MolE-RAG: Molecular Structure-Enhanced Retrieval-Augmented Generation for Chemistry [21.05559192998554]
MolE-RAGは、分子特性予測のためのトレーニングなし、分子中心の検索強化生成フレームワークである。我々は, 9つの分子特性予測タスクに対して, プロプライエタリ, 化学特化, オープンソースLCMを用いてMole-RAGを評価した。
論文参考訳（メタデータ） (2026-06-04T04:19:53Z)
A Systematic Survey and Benchmark of Deep Learning for Molecular Property Prediction in the Foundation Model Era [57.5440098776759]
分子特性予測は、量子化学、化学情報学、深層学習を統合し、分子構造と生物学的挙動を結びつける。この調査は、Quantum、Descriptor Machine Learning、Geometric Deep Learning、Foundation Modelsの4つの補完パラダイムをトレースする。ベンチマーク分析は、広く使われているデータセットと業界的な視点を反映したデータセットの両方からエビデンスを統合する。
論文参考訳（メタデータ） (2026-04-17T15:16:33Z)
Enhancing Molecular Property Prediction with Knowledge from Large Language Models [15.273538257961905]
本研究では,大規模言語モデルから抽出した知識を,事前学習された分子モデルから抽出した構造的特徴と統合し,分子特性の予測を強化する新しいフレームワークを提案する。分子ベクター化のためのドメイン関連知識と実行可能コードの両方を生成し,その後構造表現に融合した知識ベースの特徴を生成する。
論文参考訳（メタデータ） (2025-09-25T01:48:54Z)
MoRE-LLM: Mixture of Rule Experts Guided by a Large Language Model [54.14155564592936]
大規模言語モデル(MoRE-LLM)によるルールエキスパートの混合を提案する。 MoRE-LLMは、トレーニング中の局所的なルールベースのサロゲートの発見と、それらの分類タスクの利用を操縦する。 LLMはルールを修正・コンテキスト化することで、ルールのドメイン知識の整合性を高める役割を担います。
論文参考訳（メタデータ） (2025-03-26T11:09:21Z)
MolCap-Arena: A Comprehensive Captioning Benchmark on Language-Enhanced Molecular Property Prediction [44.27112553103388]
分子特性予測を拡張した大規模言語モデル(LLM)の最初の包括的なベンチマークである分子キャプションアリーナを提示する。汎用分子キャプタとドメイン特異的分子キャプタを含む20以上のLDMを,様々な予測タスクで評価した。以上の結果から,LLM抽出した知識が最先端の分子表現を向上する可能性が示唆された。
論文参考訳（メタデータ） (2024-11-01T17:03:16Z)
Characterizing Truthfulness in Large Language Model Generations with Local Intrinsic Dimension [63.330262740414646]
大規模言語モデル(LLM)から生成されたテキストの真偽を特徴付ける方法と予測法について検討する。モデルアクティベーションの局所固有次元 (LID) を用いて, 内部アクティベーションを調査し, LLMの真偽を定量化する。
論文参考訳（メタデータ） (2024-02-28T04:56:21Z)
KIEval: A Knowledge-grounded Interactive Evaluation Framework for Large Language Models [53.84677081899392]
KIEvalは、大規模言語モデルのための知識ベースでインタラクティブな評価フレームワークである。動的汚染耐性評価を達成するために、LSMを動力とする"インターアクター"の役割を初めて取り入れている。 5つのデータセットにわたる7つのLLMの大規模な実験により、KIEvalの有効性と一般化が検証された。
論文参考訳（メタデータ） (2024-02-23T01:30:39Z)
C-ICL: Contrastive In-context Learning for Information Extraction [54.39470114243744]
c-ICLは、正しいサンプル構築と間違ったサンプル構築の両方を活用して、コンテキスト内学習のデモを作成する、新しい数ショット技術である。各種データセットに対する実験により,c-ICLは従来の数発のインコンテキスト学習法よりも優れていたことが示唆された。
論文参考訳（メタデータ） (2024-02-17T11:28:08Z)
In-Context Learning for Few-Shot Molecular Property Prediction [56.67309268480843]
本稿では,文脈内学習の基盤となる概念に適応し,数発の分子特性予測のための新しいアルゴリズムを開発する。提案手法は分子特性を(分子, 特性測定)ペアの文脈から予測することを学び, 微調整をせずに新しい性質に迅速に適応する。
論文参考訳（メタデータ） (2023-10-13T05:12:48Z)
Otter-Knowledge: benchmarks of multimodal knowledge graph representation learning from different sources for drug discovery [5.913390277336069]
マルチモーダルな知識グラフのセットをリリースし、7つの公開データソースからのデータを統合し、3000万以上のトリプルを含む。我々の目的は、マルチモーダルな知識によってタンパク質/分子の埋め込みが予測タスクをどのように改善するかを研究するために、さらなる研究を促進することである。
論文参考訳（メタデータ） (2023-06-22T11:01:41Z)
Unraveling Key Elements Underlying Molecular Property Prediction: A Systematic Study [27.56700461408765]
分子特性予測の根底にある重要な要素はほとんど未発見のままである。我々は,MoreculeNetデータセット上の様々な表現を用いて,代表モデルの広範囲な評価を行う。合計で62,820モデル、固定表現の50,220モデル、SMILES配列の4,200モデル、分子グラフの8,400モデルを含む訓練を行った。
論文参考訳（メタデータ） (2022-09-26T14:07:59Z)

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。