Fugu-MT 論文翻訳(概要): Counterfactual Peptide Editing for Causal TCR--pMHC Binding Inference

論文の概要: Counterfactual Peptide Editing for Causal TCR--pMHC Binding Inference

arxiv url: http://arxiv.org/abs/2604.13256v1
Date: Tue, 14 Apr 2026 19:40:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-16 20:38:32.275071
Title: Counterfactual Peptide Editing for Causal TCR--pMHC Binding Inference
Title（参考訳）: 因果TCR--pMHC結合推論のための偽ペプチド編集法
Authors: Sanjar Khudoyberdiev, Arman Bekov,
Abstract要約: TCR-pMHC結合予測のためのニューラルネットワークは、ショートカット学習の影響を受けやすい。本稿では,生物学的に制約された反事実ペプチド編集を生成するトレーニングフレームワークであるemphCounterfactual Invariant Prediction (CIP)を紹介する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Neural models for TCR-pMHC binding prediction are susceptible to shortcut learning: they exploit spurious correlations in training data -- such as peptide length bias or V-gene co-occurrence -- rather than the physical binding interface. This renders predictions brittle under family-held-out and distance-aware evaluation, where such shortcuts do not transfer. We introduce \emph{Counterfactual Invariant Prediction} (CIP), a training framework that generates biologically constrained counterfactual peptide edits and enforces invariance to edits at non-anchor positions while amplifying sensitivity at MHC anchor residues. CIP augments the base classifier with two auxiliary objectives: (1) an invariance loss penalizing prediction changes under conservative non-anchor substitutions, and (2) a contrastive loss encouraging large prediction changes under anchor-position disruptions. Evaluated on a curated VDJdb-IEDB benchmark under family-held-out, distance-aware, and random splits, CIP achieves AUROC 0.831 and counterfactual consistency (CFC) 0.724 under the challenging family-held-out protocol -- a 39.7\% reduction in shortcut index relative to the unconstrained baseline. Ablations confirm that anchor-aware edit generation is the dominant driver of OOD gains, providing a practical recipe for causally-grounded TCR specificity modeling.
Abstract（参考訳）: TCR-pMHC結合予測のためのニューラルモデルは、物理的な結合インターフェースではなく、ペプチド長バイアスやV遺伝子共起といったトレーニングデータにおける急激な相関を利用する。このようなショートカットが転送されない場合、ファミリーホールドアウトおよび距離アウェア評価の下では、予測が不安定になる。生物学的に制約された反ファクトペプチドの編集を発生させ、非アンカー位置での編集に不変性を行使し、MHCアンカー残基の感度を増幅する訓練フレームワークである \emph{Counterfactual Invariant Prediction} (CIP) を導入する。 CIPは,(1)非アンカー置換条件下での非分散損失ペナライズ予測変化,(2)アンカーポジション破壊条件下での大きな予測変化を促進させる対照的な損失の2つの補助目的により,ベース分類器を増強する。 CIPはAUROC 0.831とCFC 0.724を、非制約のベースラインに対するショートカットインデックスの39.7%の削減という挑戦的なファミリーホールトアウトプロトコルの下で達成している。アブレーションは、アンカー認識編集生成がOODゲインの主要な要因であることを確認し、因果的なTCR特異性モデリングのための実践的なレシピを提供する。

関連論文リスト

Learning from Emptiness: De-biasing Listwise Rerankers with Content-Agnostic Probability Calibration [76.08899010904652]
CapCalは、ランキング決定から位置バイアスを機械的に分離する、トレーニング不要のフレームワークである。シングルパス効率を保ちながら、トレーニング不要の手法で優れた性能を発揮する。
論文参考訳（メタデータ） (2026-04-11T10:47:22Z)
CausalWrap: Model-Agnostic Causal Constraint Wrappers for Tabular Synthetic Data [4.08271266107383]
CausalWrapは、事前訓練されたベースジェネレータに部分的な因果知識を注入するモデルに依存しないラッパーである。 CWは、ベースジェネレータからのサンプルに適用された軽量で微分可能なポストホック補正マップを学習する。 CWは多様なベースジェネレータ間の因果性を改善する。
論文参考訳（メタデータ） (2026-03-02T15:59:46Z)
Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文参考訳（メタデータ） (2026-02-27T04:49:01Z)
On the Structural Non-Preservation of Epistemic Behaviour under Policy Transformation [51.56484100374058]
このような情報条件の相互作用パターンを振る舞い依存として定式化する。これにより、$$-behavioural equivalenceというプローブ相対的な概念と、政治内行動距離が導かれる。その結果、共通政策変換の下でプローブ条件の挙動分離が保存されない構造条件が明らかになった。
論文参考訳（メタデータ） (2026-02-24T22:55:21Z)
PRISM-FCP: Byzantine-Resilient Federated Conformal Prediction via Partial Sharing [6.066028939131919]
PRISM-FCPは、ビザンチンの回復力のあるフェデレート・コンフォーマル予測フレームワークである。トレーニング中、クライアントはラウンド毎にM$$D$パラメータを送信することでアップデートを部分的に共有する。キャリブレーション中、クライアントは非整合性スコアを特徴づけベクトルに変換し、距離ベースの悪意度スコアを計算し、ビザンティンの貢献を疑うダウンウェイトやフィルタを疑う。
論文参考訳（メタデータ） (2026-02-20T18:01:59Z)
ST-BCP: Tightening Coverage Bound for Backward Conformal Prediction via Non-Conformity Score Transformation [18.272247805086284]
コンフォーマル予測(CP)は、カバレッジ保証付き予測セットを構成する不確実性定量化のための統計フレームワークを提供する。 BCPはこのパラダイムを逆転させ、セットサイズに事前定義された上限を強制し、その結果のカバレッジ保証を推定する。本稿では,非整合性スコアのデータ依存変換を導入し,カバレッジギャップを狭める新しい方法ST-BCPを紹介する。
論文参考訳（メタデータ） (2026-02-02T07:18:35Z)
Causality-Inspired Safe Residual Correction for Multivariate Time Series [12.183024727781449]
我々はCRC(Causality-inspired Safe Residual Correction)を提案する。因果性にインスパイアされたエンコーダを用いて、自己および相互変数のダイナミクスを分離することで方向認識構造を公開する。実験の結果、CRCは精度を継続的に改善する一方、深部アブレーションの研究は、そのコアセーフティメカニズムが例外的に高い非劣化速度(NDR)を保証していることを確認した。
論文参考訳（メタデータ） (2025-12-27T01:34:14Z)
Error-quantified Conformal Inference for Time Series [55.11926160774831]
時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
論文参考訳（メタデータ） (2025-02-02T15:02:36Z)
Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文参考訳（メタデータ） (2020-06-25T12:42:01Z)
Scaling Equilibrium Propagation to Deep ConvNets by Drastically Reducing its Gradient Estimator Bias [65.13042449121411]
実際には、EPによって提供される勾配推定によるネットワークのトレーニングは、MNISTよりも難しい視覚タスクにスケールしない。有限ヌード法に固有のEPの勾配推定のバイアスがこの現象の原因であることを示す。これらの手法を適用し、非対称な前方および後方接続を持つアーキテクチャをトレーニングし、13.2%のテストエラーを発生させる。
論文参考訳（メタデータ） (2020-06-06T09:36:07Z)

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。