論文の概要: Closed-loop Auto Research for Molecular Property Prediction: Discovering and Certifying Generalizable Improvements

• arxiv url: http://arxiv.org/abs/2606.22731v1
• Date: Mon, 22 Jun 2026 00:18:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 05:02:08.899137
• Title: Closed-loop Auto Research for Molecular Property Prediction: Discovering and Certifying Generalizable Improvements
• Title（参考訳）: 分子特性予測のための閉ループオートリサーチ:一般化可能な改善の発見と証明
• Authors: Jingjie Ning, Xiaochuan Li, Ji Zeng, Chenyan Xiong, Guolin Ke,
• Abstract要約: クローズドループのAuto Researchは、機械学習を固定データセットフィッティングから研究ワークフローの変更まで拡張する。 この作用空間が、それらを選択する検証信号を超えた一般化をもたらすかどうかを問う。 3つのベンチマークスイートの36以上のエンドポイントで、検索が決して読まれないホールドアウトテストで、選択した構成をスコア付けします。
• 参考スコア（独自算出の注目度）: 23.74905101390208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Closed-loop Auto Research extends automated machine learning from fixed-dataset fitting to changing the research workflow, with language-model agents editing representations and model code and acquiring external evidence. Molecular property prediction spans many small endpoints. We ask whether this action space yields improvements generalizing beyond the validation signal selecting them. We isolate three Auto Research axes, features, models, and external evidence, under a file-level ablation lock attributing each gain to one axis over a strong baseline. Across 36 endpoints in three benchmark suites we score each selected configuration once on a held-out test whose labels the search never read. A routed pipeline taking each endpoint's best validation axis reaches positive held-out gains of 0.013, 0.011, and 0.042, the transferable axis differing by suite, data on TDC, model on Polaris, feature and model on MoleculeNet. The largest model-search gain falls from 0.041 on validation to 0.003 on test, while curated data reaches 0.022 but negative 0.019 on test, two non-transfer signatures. Curated external data raises held-out CYP2C9-substrate performance by 0.17 and half-life by 0.08, admitted through a contamination filter rejecting same-source files overlapping 64 to 89 percent of test structures, necessary but not sufficient for transfer. A matched-trial automated machine learning control did not reproduce the agent's code-level model intervention, reaching 0.006 against 0.042, and the pipeline stays competitive with an 84M-parameter pretrained 3D model on the shared training split. The experiments stay within molecular property prediction, but separating discovery from held-out certification is a domain-agnostic lesson for any closed-loop system optimising a proxy for a held-out quantity.
• Abstract（参考訳）: クローズループオートリサーチは、固定データセットの適合から研究ワークフローの変更まで、自動機械学習を拡張し、言語モデルエージェントが表現やモデルコードを編集し、外部証拠を取得する。 分子特性予測は多くの小さなエンドポイントにまたがる。 この作用空間が、それらを選択する検証信号を超えた一般化をもたらすかどうかを問う。 我々は,3つのオートリサーチ軸,特徴,モデル,および外部証拠をファイルレベルのアブレーションロックの下で分離し,それぞれの利得を強いベースライン上の1軸に導いた。 3つのベンチマークスイートの36以上のエンドポイントで、検索が決して読まれないホールドアウトテストで、選択した構成をスコア付けします。 各エンドポイントの最高の検証軸を取るルーティングパイプラインは0.013、0.011、0.042の正の保留ゲインに達し、転送可能な軸はスイート、TDCのデータ、ポラリスのモデル、MoeculeNet上のモデルによって異なる。 最大のモデル検索のゲインは、バリデーションで0.041からテストで0.003に、キュレートされたデータは0.022に達するが、テストで0.019、非トランスファーシグネチャで2つになる。 キュレートされた外部データは、CYP2C9基板のパフォーマンスを0.17、半減期を0.08に引き上げ、同じソースファイルが64から99%の試験構造に重なり合うことを拒否する汚染フィルターによって承認される。 一致した自動機械学習制御はエージェントのコードレベルのモデルの介入を再現せず、0.006対0.042に到達し、パイプラインは共有トレーニングスプリット上で84Mパラメータの事前訓練された3Dモデルと競合する。 実験は分子特性予測内に留まるが、ホールドアウト証明から発見を分離することは、ホールドアウト量のプロキシを最適化するクローズドループシステムのドメインに依存しないレッスンである。

関連論文リスト

• An Expanded Synthetic Conversation Dataset for Multi-Turn Smishing Detection [0.0]
  我々は,8つの年長ターゲット詐欺カテゴリにまたがる10,985の会話データセットであるCOVA-Xを提案する。 LongformerはXGBoostの精度を79.71%、マクロF1は0.7786、XGBoostは78.43%、マクロF1は0.7563となっている。
  論文  参考訳（メタデータ） (2026-06-05T03:46:36Z)
• Beyond Objective Equivalence: Constraint Injection for LLM-Based Optimization Modeling on Vehicle Routing Problems [3.024294453714127]
  本研究では,無声性制約の排除を明らかにするために,急激な過剰制約と一拘束性違反プローブを露呈する制約注入法を提案する。 自然言語のVRPシナリオをGurobiスクリプトに変換する8BのエンドツーエンドモデルであるVRPCoderを開発した。 VRPCoder-GRPOは93%の平均パス@1、Geminiは3つのベンチマークで3.1-Proプレビューを上回り、Claude-Sonnet-4.5を28ポイント上回り、LLMを78ポイント上回る。
  論文  参考訳（メタデータ） (2026-06-03T12:39:04Z)
• Self-Verified Distillation: Your Language Model Is Secretly Its Own Synthetic Data Pipeline [56.53954182896384]
  大規模言語モデルのための簡単な訓練後改良アルゴリズムである自己検証蒸留を提案する。 自己検証蒸留(Self-Verified Distillation)は、未ラベルの種問に対する候補解を生成する。 プロンプトベースの自己検証を使用してフィルタリングし、結果の自己計算データセットをトレーニングする。 トレーニングデータ構築中に、より多くの候補世代をサンプリングし、より大きな検証予算を使用することで、高品質な自己計算データが得られることがわかった。
  論文  参考訳（メタデータ） (2026-05-20T17:26:10Z)
• The Surprising Universality of LLM Outputs: A Real-Time Verification Primitive [0.0]
  CPUのみのスコアリングプリミティブはトークン当たり2.6マイクロ秒で動作する。 トークンのランク周波数分布は同じ2パラメータのMandelbrotランキング分布に収束する。 利用可能な場合にモデルログの確率で構成し、クローズドAPIで使用可能なランクオンリーモードに分解するシングルパススコアリングプリミティブを導出する。
  論文  参考訳（メタデータ） (2026-04-28T13:35:31Z)
• ACAR: Adaptive Complexity Routing for Multi-Model Ensembles with Auditable Decision Traces [3.151184728006369]
  本稿では,聴覚条件下でのマルチモデルオーケストレーションのための測定フレームワークACARを提案する。 ACARは、N=3プローブサンプルから計算した自己整合分散(sigma)を使用して、単一モデル、2モデル、3モデル実行モードでタスクをルーティングする。 我々は4つのベンチマークにまたがる1,510のタスクに対してACARを評価し、7,550以上の監査可能な実行を生成した。
  論文  参考訳（メタデータ） (2026-02-06T23:27:17Z)
• WATSON-Net: Vetting, Validation, and Analysis of Transits from Space Observations with Neural Networks [0.0]
  WATSON-Netは、最先端のツールと競合するように設計された、オープンソースのニューラルネットワーク分類器とデータ準備パッケージである。 10倍のクロスバリデーションを用いたKepler Q1-Q17 DR25データに基づいて、WATSON-Netは10個の独立したモデルを生成し、それぞれ専用のテストセットで評価する。 Keplerのターゲットでは、WATSON-Netは0.903の0.99(R@P0.99)のリコール精度を達成し、ExoMinerネットワークのみの性能が向上した。
  論文  参考訳（メタデータ） (2025-11-11T20:42:58Z)
• Perfectly-Private Analog Secure Aggregation in Federated Learning [51.61616734974475]
  連合学習では、複数のパーティがモデルをローカルにトレーニングし、パラメータを中央サーバと共有する。 本稿では,有限場ではなくトーラスを用いた新しいセキュアパラメータアグリゲーション法を提案する。
  論文  参考訳（メタデータ） (2025-09-10T15:22:40Z)
• Crucial-Diff: A Unified Diffusion Model for Crucial Image and Annotation Synthesis in Data-scarce Scenarios [65.97836905826145]
  医療、産業、自動運転といったさまざまなシナリオにおけるデータの不足は、モデルの過度な適合とデータセットの不均衡につながる。 重要なサンプルを合成するドメインに依存しないフレームワークであるCrucial-Diffを提案する。 我々のフレームワークは多様な高品質なトレーニングデータを生成し、ピクセルレベルのAPは83.63%、F1-MAXは78.12%である。
  論文  参考訳（メタデータ） (2025-07-14T04:41:38Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• 3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object Detection [76.42897462051067]
  3DIoUMatchは屋内および屋外の場面両方に適当3D目的の検出のための新しい半監視された方法です。 教師と教師の相互学習の枠組みを活用し,ラベル付けされていない列車の情報を擬似ラベルの形で伝達する。 本手法は,ScanNetとSUN-RGBDのベンチマークにおける最先端の手法を,全てのラベル比で有意差で継続的に改善する。
  論文  参考訳（メタデータ） (2020-12-08T11:06:26Z)

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。