論文の概要: When Molecular Similarity Works: Property Cliffs Reveal Hidden Errors

• arxiv url: http://arxiv.org/abs/2605.17265v1
• Date: Sun, 17 May 2026 05:20:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.816695
• Title: When Molecular Similarity Works: Property Cliffs Reveal Hidden Errors
• Title（参考訳）: 分子の類似性が働くとき: プロパティ・クリフが隠れたエラーを発見
• Abstract要約: 崖に敏感なエラーを露呈し緩和するためにCliffSplitとCliffLossを導入する。 CliffSplitは崖の多いQM9領域で少なくとも15%高い誤差を示す。 クリフロスはリポフィリティーで最大30%の崖から滑らかな誤差ギャップを減らし、全体のMAEを9.7%改善した。
• 参考スコア（独自算出の注目度）: 18.094698058331044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of molecular properties underpins drug discovery and material design, yet even state-of-the-art models remain vulnerable to localized failure modes that aggregate metrics cannot detect. The places where molecular similarity should be most helpful are also places where standard evaluation can be most misleading. Property cliffs expose this gap: structurally similar molecules can still differ sharply in target property, so models with competitive overall performance may fail in high-risk local neighborhoods. To expose and mitigate this failure mode, CliffSplit, a cliff-aware evaluation protocol that constructs locally supported, cliff-exposed test cases, and CliffLoss, a model-agnostic train-only mitigation mechanism for cliff-sensitive errors, are introduced. Experiments on three QM9 targets and three MoleculeNet tasks across five backbones show that CliffSplit reveals at least 15% higher error in cliff-heavy QM9 regions, while CliffLoss reduces the cliff-to-smooth error gap by up to 30% on Lipophilicity and improves overall MAE by 9.7%. Together, these results turn molecular similarity failure from a descriptive anomaly into a benchmarked evaluation problem for molecular machine learning. The code is available at https://anonymous.4open.science/r/Cliff_Loss.
• Abstract（参考訳）: 分子特性の正確な予測は、医薬品の発見と材料設計を支えているが、最先端のモデルでさえ、メトリクスが検出できない局所的な障害モードに弱いままである。 分子の類似性が最も有用であるべき場所は、標準評価が最も誤解を招く場所でもある。 構造的に類似した分子は、依然としてターゲット特性において著しく異なるため、競争的な全体的な性能を持つモデルは、高リスクな地域の地域では失敗する可能性がある。 この障害モードの公開と緩和のために、局所的にサポートされた崖露出テストケースを構築する崖対応評価プロトコルであるCliffSplitと、崖感受性エラーに対するモデルに依存しない列車専用緩和メカニズムであるCliffLossが導入された。 3つのQM9ターゲットと5つのバックボーンにわたる3つのMoreculeNetタスクの実験では、クリフスプリットは崖重QM9領域で少なくとも15%高いエラーを示す一方、クリフロスはリポフィリティーにおいて最大30%のスムース誤差ギャップを減らし、全体的なMAEを9.7%改善している。 これらの結果は、分子の類似性障害を記述的異常から、分子機械学習のためのベンチマークされた評価問題へと変換する。 コードはhttps://anonymous.4open.science/r/Cliff_Lossで公開されている。

関連論文リスト

• Silent Failures in Quantized LLM Reasoning: A Taxonomy-Based Analysis of Hollow Convergence and Failure Mode Shifts [0.0]
  学習後の量子化は,タスク精度が保存されている場合でも,大きな言語モデルがどのように推論するかを静かに変更できることを示す。 3つの量子化精度で5つの命令調整LDMから3万のチェーン・オブ・シント出力を分類する。 精度は精度で高いが,Hollow Convergence は NF4 で大きく依存的な変化を示す。
  論文  参考訳（メタデータ） (2026-07-10T21:55:05Z)
• Predicting Activity Cliffs for Autonomous Medicinal Chemistry [0.0]
  活動崖予測は、計算医学化学における永続的な課題である。 この研究は、小さな修正が、どの位置で、結果の変化の最も高い確率を示すかという、同義的な定義に焦点を当てている。 位置レベルの感度は、6つのタンパク質ファミリーにまたがる50個のChEMBLターゲットから2500万個の一致した分子対を用いて計算される。
  論文  参考訳（メタデータ） (2026-04-08T20:02:17Z)
• Fragile Reasoning: A Mechanistic Analysis of LLM Sensitivity to Meaning-Preserving Perturbations [2.7946918847372277]
  大規模言語モデルは、数学的推論ベンチマークにおいて強い性能を示すが、意味を保存する表面摂動に対して驚くほど脆弱である。 我々は677 GSM8K問題に対して,3つのオープンウェイトLLM(Mistral-7B,Llama-3-8B,Qwen2.5-7B)を意味論的に等価な変種と組み合わせて評価した。 3つのモデルはいずれも相当な解答フリップ率(28.8%-45.1%)を示し、数字のパラフレーズは名前スワップよりも一貫して破壊的である。
  論文  参考訳（メタデータ） (2026-04-02T05:30:20Z)
• Decoding the Critique Mechanism in Large Reasoning Models [50.821607345799386]
  大規模推論モデル(LRM)は、バックトラックと自己検証メカニズムを示し、中間ステップを修正して正しい解に到達できるようにする。 中間推論ステップに算術ミスを挿入することにより,現在のLEMがエラーからどのように回復するかを検討する。 チェーン・オブ・シークレットを伝播する誤りにもかかわらず、モデルは依然として正しい最終解に達している。
  論文  参考訳（メタデータ） (2026-03-17T10:03:30Z)
• Decomposing LLM Self-Correction: The Accuracy-Correction Paradox and Error Depth Hypothesis [6.901585308625979]
  自己補正を3つのサブ機能に分解する。 本研究は,モデル能力と自己改善に関する線形仮定に挑戦する。
  論文  参考訳（メタデータ） (2025-12-24T21:51:24Z)
• Peeling Context from Cause for Multimodal Molecular Property Prediction [12.900046337617546]
  CLaP(Causal Layerwise Peeling)は、因果信号をコンテキストから階層的に分離するフレームワークである。 CLaPは、競争ベースラインよりもMAE、MSE、R2$を一貫して改善する。 原子レベルの因果正性マップを生成し、予測に責任を負う部分構造をハイライトする。
  論文  参考訳（メタデータ） (2025-11-10T04:29:33Z)
• Can Molecular Foundation Models Know What They Don't Know? A Simple Remedy with Preference Optimization [54.22711328577149]
  既存の基盤モデルと柔軟に統合可能なプラグイン・アンド・プレイモジュールである,分子適応型参照インスタンスランキング(Mole-PAIR)を導入する。 本手法は既存の分子基盤モデルのOOD検出能力を著しく向上することを示す。
  論文  参考訳（メタデータ） (2025-09-29T21:06:52Z)
• Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
  この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。 分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。 細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
  論文  参考訳（メタデータ） (2025-07-22T04:35:50Z)
• Descriptor-based Foundation Models for Molecular Property Prediction [0.3277163122167433]
  本研究は、決定論的分子記述子を事前学習した新しい分子基盤モデルであるCheMeleonを紹介する。 チェメレオンは、豊かな分子表現を学ぶために低ノイズ分子記述子を用いる。 PolarisとMoeculeACEの58のベンチマークデータセットに基づいて評価され、CheMeleonはPolarisタスクで79%の勝利率を達成した。
  論文  参考訳（メタデータ） (2025-06-18T18:21:50Z)
• Error Slice Discovery via Manifold Compactness [47.57891946791078]
  事前に定義されたスライスラベルのような余分な情報に頼ることなく、スライスコヒーレンスの適切なメトリックは存在しない。 本稿では,データ幾何特性を設計に組み込むことにより,余分な情報に依存しないコヒーレンス計量である多様体コンパクト性を提案する。 そこで我々は,リスクとコヒーレンスを直接最適化対象とする新しいアルゴリズムであるManifold Compactness based error Slice Discovery (MCSD)を開発した。
  論文  参考訳（メタデータ） (2025-01-31T11:02:07Z)
• Manifold-Constrained Nucleus-Level Denoising Diffusion Model for Structure-Based Drug Design [81.95343363178662]
  原子は分離違反を避けるために 最小の対距離を維持する必要がある NucleusDiff は原子核と周囲の電子雲の間の相互作用を距離制約によってモデル化する。 違反率は1000%まで減少し、結合親和性は22.16%まで向上し、構造に基づく薬物設計の最先端モデルを上回る。
  論文  参考訳（メタデータ） (2024-09-16T08:42:46Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)

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。