Fugu-MT 論文翻訳(概要): Position: Genomic Model Research Must Move Beyond Anecdotal Evaluation of Interpretability Methods

論文の概要: Position: Genomic Model Research Must Move Beyond Anecdotal Evaluation of Interpretability Methods

arxiv url: http://arxiv.org/abs/2606.07607v1
Date: Fri, 29 May 2026 12:20:12 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-15 07:09:36.773112
Title: Position: Genomic Model Research Must Move Beyond Anecdotal Evaluation of Interpretability Methods
Title（参考訳）: 位置:ゲノムモデル研究は解釈可能性手法の逸話的評価を超えて移動する必要がある
Abstract要約: 臨床試験に類似した妥当性検証の枠組みについて論じる。試行が厳密な設計と不適切な報告を必要とするのと同じように、ゲノム解釈は桜の図面上の可視性を超える必要がある。
参考スコア（独自算出の注目度）: 8.920725431658777
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Advances in machine learning and computational power have unlocked the predictive potential of the human genome, yet biologists now demand that these models also elucidate the underlying biological mechanisms. While interpretable machine learning (IML) techniques have been increasingly applied to bridge this gap, there has been a pervasive reliance on anecdotal validation: the vast majority of research relies on a single IML method and reports only isolated successful instances. Through a benchmarking study on transcription factor binding, we demonstrate the risks of current practices. We show that different IML methods can often (1) yield contradictory explanations for the same predictions, (2) fail to localize known regulatory motifs, and (3) fail to faithfully reflect the model's internal decision process. In light of this, we argue for a validation framework analogous to clinical trials: just as trials require rigorous design and adverse-event reporting, genomic interpretability must move beyond cherry-picked plausibility toward systematic assessment of consistency, faithfulness, and biological validity. To facilitate this, we propose a tiered framework to guide rigorous evaluation and reporting of genomic IML methods.
Abstract（参考訳）: 機械学習と計算能力の進歩はヒトゲノムの予測可能性を解き放つ一方で、生物学者はこれらのモデルが基盤となる生物学的メカニズムも解明することを要求している。解釈可能な機械学習(IML)技術はこのギャップを埋めるためにますます適用されているが、逸話的検証に広く依存している。転写因子の結合に関するベンチマーク研究を通じて、我々は現在の実践のリスクを実証する。我々は,(1)同一の予測に対して矛盾する説明を下すこと,(2)既知の規制モチーフのローカライズに失敗すること,(3)モデルの内部決定過程を忠実に反映しないことをしばしば示している。厳密な設計と不正な報告を必要とするように、ゲノム解析可能性は、整合性、忠実性、生物学的妥当性の体系的な評価に向け、桜模様の妥当性を超えて進まなければならない。そこで我々は,厳密な評価とゲノミクスIML手法の報告を行うためのタイレッドフレームワークを提案する。

関連論文リスト

ECLAIR: A Causally-Grounded AI Framework for Scientific Discovery in Empirical Software Engineering [51.19819833971252]
本稿では,科学プロセスのすべての段階に大規模言語モデルを統合する,因果的基盤を持つAIフレームワークであるECLAIRを紹介する。 ECLAIRはLSMを因果推論の原理の下で活動する活発な科学的エージェントとして扱う。
論文参考訳（メタデータ） (2026-08-03T14:47:03Z)
Position: Anthropomorphic Misalignment Research Needs Stronger Evidence [52.76826423649968]
概念的曖昧さ,非ロバストデータセット,実験設計,不十分な因果的介入が,モデル行動の過度な解釈につながることを示す。本研究の目的は,AMRの方法論的厳密性向上に寄与する明らかな考察のガイダンスを提供することである。
論文参考訳（メタデータ） (2026-05-29T16:38:53Z)
Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
論文参考訳（メタデータ） (2026-05-27T23:48:01Z)
Eligibility-Aware Evidence Synthesis: An Agentic Framework for Clinical Trial Meta-Analysis [49.83108591873481]
EligMetaはエージェントフレームワークで、自動トライアル発見と、資格を意識したメタ分析を統合する。フレームワークは、目標トライアル間の人口アライメントを反映した類似性に基づく研究重量を計算し、適性基準を構造化する。
論文参考訳（メタデータ） (2026-04-03T03:18:50Z)
SC-Arena: A Natural Language Benchmark for Single-Cell Reasoning with Knowledge-Augmented Evaluation [24.956743572453153]
本稿では,単一セル基盤モデルに適した自然言語評価フレームワークSC-ARENAを提案する。 SC-ARENAは、固有の属性と遺伝子レベルの相互作用の両方を表現して評価対象を統一する仮想セル抽象化を形式化する。
論文参考訳（メタデータ） (2026-02-26T16:50:28Z)
OncoReason: Structuring Clinical Reasoning in LLMs for Robust and Interpretable Survival Prediction [2.904892426557913]
大規模言語モデル (LLM) は, バイオメディカルNLPにおいて高い性能を示した。本稿では,自己回帰型LPMと結果予測のための臨床推論を整合させる,統合型マルチタスク学習フレームワークを提案する。マルチタスク・クリニカル・モデリングにおける推論・アライメントの重要性について検討した。
論文参考訳（メタデータ） (2025-10-20T13:35:12Z)
A Symbolic and Statistical Learning Framework to Discover Bioprocessing Regulatory Mechanism: Cell Culture Example [2.325005809983534]
本稿では,重要な規制機構を特定し,不確実性をモデル化するための記号的,統計的学習フレームワークを提案する。後部探査のための随伴感度解析を用いたメトロポリス調整ランゲヴィンアルゴリズムを開発した。実証的研究は、不足する規制機構を回復し、データ制限条件下でのモデル忠実性を改善する能力を示す。
論文参考訳（メタデータ） (2025-05-06T04:39:34Z)
Contextualizing biological perturbation experiments through language [3.704686482174365]
PerturbQAは摂動実験に対する構造化推論のベンチマークである。我々は、摂動をモデル化するための最先端の機械学習と統計的アプローチを評価する。本稿では,サマー(SUMMarize,retrievE, answeR),シンプルなドメインインフォームドLLMフレームワークを紹介する。
論文参考訳（メタデータ） (2025-02-28T18:15:31Z)
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)
Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence Classification [109.81283748940696]
我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
論文参考訳（メタデータ） (2022-07-18T19:16:56Z)
Scientific Inference With Interpretable Machine Learning: Analyzing Models to Learn About Real-World Phenomena [4.312340306206884]
解釈可能な機械学習は、モデルを論理的に分析して解釈を導出することで解を提供する。現在のIML研究は、科学的推論にMLモデルを活用するのではなく、MLモデルの監査に重点を置いている。本稿では、モデルだけでなく、その表現する現象を照らし出すIMLメソッドを定式化した「プロパティ記述子」を設計するためのフレームワークを提案する。
論文参考訳（メタデータ） (2022-06-11T10:13:21Z)

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。