Fugu-MT 論文翻訳(概要): ISAAC: Auditing Causal Reasoning in Deep Models for Drug-Target Interaction

論文の概要: ISAAC: Auditing Causal Reasoning in Deep Models for Drug-Target Interaction

arxiv url: http://arxiv.org/abs/2605.02962v1
Date: Sun, 03 May 2026 06:36:40 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-06 19:35:43.539921
Title: ISAAC: Auditing Causal Reasoning in Deep Models for Drug-Target Interaction
Title（参考訳）: ISAAC:薬物・標的相互作用の深部モデルにおける因果推論の検証
Authors: Barbara Tarantino, Sun Kim, Yijingxiu Lu, Paolo Giudici,
Abstract要約: 本稿では,凍結モデルを用いて事前相対的構造感度を評価するポストホックフレームワークISAACを紹介する。 ISAACは、AUROCに匹敵するモデル間での推論スコアの約25%の相対的な差異を明らかにしている。従来の精度測定では検出不可能なこれらの相違は、ポストホック構造監査の使用を動機付けている。
参考スコア（独自算出の注目度）: 11.805780759216134
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep learning models for drug--target interaction (DTI) prediction often achieve strong benchmark performance without necessarily relying on mechanistically meaningful molecular features, a limitation that standard accuracy-based evaluation cannot detect. We introduce ISAAC (Intervention-based Structural Auditing Approach for Causal Reasoning), a post-hoc framework that evaluates prior-relative structural sensitivity by probing frozen models through matched mechanistic and spurious input-level interventions, independently of predictive accuracy. Applied to three sequence-based DTI architectures on the Davis benchmark, ISAAC reveals approximately 25\% relative differences in reasoning scores across models with comparable AUROC (within around 3\%), stable across training and intervention seeds and two distinct perturbation operators. These discrepancies, undetectable under conventional accuracy metrics, motivate the use of post-hoc structural auditing as a complement to standard performance evaluation in scientific machine learning for molecular modeling.
Abstract（参考訳）: 薬物-標的相互作用(DTI)予測のためのディープラーニングモデルはしばしば、標準的な精度に基づく評価では検出できないような、機械的に意味のある分子的特徴に頼ることなく、強力なベンチマーク性能を達成する。本稿では, 予測精度とは無関係に, 一致した機械的, 刺激的な入力レベルの介入を通じて, 凍結モデルの探索により, 事前相対的構造感度を評価する, ISAAC (Intervention-based Structure Auditing Approach for Causal Reasoning) を提案する。 Davisベンチマークの3つのシーケンスベースのDTIアーキテクチャに適用すると、ISAACは、AUROC(約3倍)とトレーニングと介入シードの安定性、および2つの異なる摂動演算子を含むモデル間での推論スコアの約25倍の相対的な差を明らかにしている。従来の精度測定では検出不可能なこれらの相違は、分子モデリングのための科学機械学習における標準的な性能評価の補完として、ポストホック構造監査の使用を動機付けている。

関連論文リスト

Evaluating Uplift Modeling under Structural Biases: Insights into Metric Stability and Model Robustness [8.135022024189306]
パーソナライズされたマーケティングにおいて、アップリフトモデルは、代替的な治療の下で顧客行動がどのように変化するかをモデル化することによって、漸進的な効果を推定する。実世界のデータは、選択バイアス、こぼれ効果、未観測の混ざりなど、しばしばバイアスを示す。
論文参考訳（メタデータ） (2026-03-21T11:54:25Z)
STAR : Bridging Statistical and Agentic Reasoning for Large Model Performance Prediction [78.0692157478247]
本稿では,知識駆動型エージェント推論を用いて,データ駆動型静的予測を橋渡しするフレームワークSTARを提案する。 STARはスコアベースとランクベースの両方の基準線を一貫して上回ることを示す。
論文参考訳（メタデータ） (2026-02-12T16:30:07Z)
EvalQReason: A Framework for Step-Level Reasoning Evaluation in Large Language Models [0.8399688944263844]
ステップレベルの確率分布解析によりLLM推論品質を定量化するフレームワークであるEvalQReasonを提案する。このフレームワークは、隣接する推論ステップ間の局所的コヒーレンスを測定するCSD(Consecutive Step Divergence)と、最終回答とグローバルなアライメントを評価するSFC(Step-to-Final Convergence)という2つの補完アルゴリズムを導入している。
論文参考訳（メタデータ） (2026-02-02T16:32:40Z)
Analysis of Transferability Estimation Metrics for Surgical Phase Recognition [3.3285108719932555]
微調整された事前学習モデルは現代の機械学習の基盤となり、限られたラベル付きデータで実践者がハイパフォーマンスを達成できるようになった。専門的アノテーションが特に時間がかかり費用がかかる外科的ビデオ解析では、下流タスクに最適な事前学習モデルを特定することが重要かつ困難である。我々は,2つの多様なデータセット上で,LogME,H-Score,TransRateの3つの代表的な指標の総合ベンチマークを行った。
論文参考訳（メタデータ） (2025-08-22T18:05:33Z)
DISPROTBENCH: A Disorder-Aware, Task-Rich Benchmark for Evaluating Protein Structure Prediction in Realistic Biological Contexts [76.59606029593085]
DisProtBenchは、構造障害および複雑な生物学的条件下でタンパク質構造予測モデル(PSPM)を評価するためのベンチマークである。 DisProtBenchはデータの複雑さ、タスクの多様性、解釈可能性という3つの重要な軸にまたがっている。その結果,機能的予測障害と相関する低信頼領域を有する障害下でのモデルロバスト性に有意な変動が認められた。
論文参考訳（メタデータ） (2025-06-18T23:58:22Z)
CaliciBoost: Performance-Driven Evaluation of Molecular Representations for Caco-2 Permeability Prediction [2.6621416538504827]
Caco-2の透過性は、初期薬物発見時の薬物候補の経口吸収を予測する重要なin vitro指標となる。本研究では,2D/3D記述子,構造指紋,深層学習に基づく埋め込みを含む8種類の分子的特徴表現の影響について検討した。 PaDELとMordredの両方の表現に対して、3Dディスクリプタは2D機能のみを使用する場合に比べて15.73%削減された。
論文参考訳（メタデータ） (2025-06-09T07:30:28Z)
Rethinking Robustness in Machine Learning: A Posterior Agreement Approach [41.50777631705435]
モデル検証の後方合意(PA)理論は、ロバストネス評価のための原則的な枠組みを提供する。 PAは、異なるシフト条件で学習アルゴリズムの脆弱性を信頼性のある分析を行う。その結果,PAは精度に基づく尺度よりも高い差別性を提供する一方で,監督は不要であることが示唆された。
論文参考訳（メタデータ） (2025-03-20T16:03:39Z)
Language Models as Causal Effect Generators [48.696932388555894]
シーケンス駆動型構造因果モデル(SD-SCM)を提案する。 SD-SCMは、所望の因果構造に応じて観察的、介入的、および反ファクト的分布からのサンプリングを可能にする。本稿では, 因果推論のための新しいタイプのベンチマークを提案し, 個別レベルの反事実データを生成し, 治療効果の評価を行う。
論文参考訳（メタデータ） (2024-11-12T18:50:35Z)
Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文参考訳（メタデータ） (2021-11-15T03:16:56Z)
Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文参考訳（メタデータ） (2020-04-21T23:09:55Z)
Estimating the Effects of Continuous-valued Interventions using Generative Adversarial Networks [103.14809802212535]
我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-02-27T18:46:21Z)

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。