論文の概要: A Quiet Failure in Calibrated Virtual Screening: Marginal Conformal Prediction Under-Covers the Minority Class, and a Class-Conditional Fix Recovers It

• arxiv url: http://arxiv.org/abs/2607.06605v1
• Date: Tue, 07 Jul 2026 04:31:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.149563
• Title: A Quiet Failure in Calibrated Virtual Screening: Marginal Conformal Prediction Under-Covers the Minority Class, and a Class-Conditional Fix Recovers It
• Title（参考訳）: 校正型仮想検診における早期の失敗: マイナークラスと対等な対等な予測と、それに対するクラスコンディションの修正
• Abstract要約: 整形予測は、モデルの信頼性に正直な数字を付けるために、薬物発見に採用されている。 この保証は、不均衡なデータセットでは危険である可能性がある。 我々の貢献は、この既知の共形理論のギャップがいかに深刻で不可視であるかを実際の化学で実証することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conformal prediction is being adopted in drug discovery to put an honest number on model reliability: pick an error rate alpha, and the method returns prediction sets containing the true label with probability at least 1 - alpha. We show this guarantee can be dangerous on imbalanced datasets. Across four datasets, standard (marginal) conformal prediction hits its global 90% coverage target while leaving the minority class badly exposed: realized minority coverage falls to 64.8% on blood-brain-barrier penetration and to 4.2% on clinical-trial toxicity, where the rare class is nearly abandoned. The failure is not tied to one model: a random forest, a graph network, and a frozen chemical language model all reproduce it (p < 0.001 in every case), with severity tracking baseline calibration on rare labels rather than architecture. A conservation identity explains the effect: the minority's shortfall equals the majority's surplus amplified by the imbalance ratio, predicting the measured gap to within one point and ordering severity across datasets. The failure survives realistic scaffold splits and a second conformal score, while aggregate accuracy and overall coverage stay reassuringly high, which is exactly why it is easy to miss. Class-conditional (Mondrian) conformal prediction closes the gap on every dataset, restoring minority coverage to target for a modest increase in prediction-set size. We localize the failures to generic molecular scaffolds - plain benzene and pyridine cores occurring in both classes - propose a one-number diagnostic, and show with a cost model that abstaining on affected compounds flips a screening campaign from net-negative to net-positive utility. Our contribution is demonstrating on real chemistry how severe and invisible this known conformal-theory gap becomes under imbalance, and laying out a practical protocol restoring per-class reliability.
• Abstract（参考訳）: コンフォーマル予測は、モデルの信頼性に正直な番号を付けるために、薬物発見において採用されている: エラー率αを選択し、この方法は、確率が1 - αである真のラベルを含む予測セットを返す。 この保証は、不均衡なデータセットでは危険である可能性がある。 4つのデータセットにまたがって、標準(準)コンフォメーション予測が世界全体の90%のカバレッジ目標を達成し、マイノリティクラスを離脱する一方、マイノリティクラスは64.8%に減少し、臨床・臨床的毒性は4.2%に低下する。 ランダムフォレスト、グラフネットワーク、凍結した化学言語モデルは全てそれを再現する(p < 0.001 の場合)。 マイノリティの不足は、不均衡比によって増幅された過半数の余剰と等しく、測定されたギャップを1点以内まで予測し、データセット間の重大さを順序付けする。 失敗は現実的なスキャフォールド分割と第2のコンフォメーションスコアに留まり、集計精度と全体的なカバレッジは確実に高く保たれます。 クラス条件(モンドリアン)コンフォメーション予測は、各データセットのギャップを埋め、予測セットサイズの緩やかな増加を目標にマイノリティカバレッジを回復する。 両クラスで発生した単数ベンゼンおよびピリジンコア(Pyridine cores)の欠如を局所化し, 有害化合物を吸収するコストモデルを用いて, スクリーニングキャンペーンをネット陰性からネット陽性に切り替えた。 我々の貢献は、この既知の共形理論のギャップが不均衡に陥ることがいかに深刻で目に見えないかを実化学で示し、クラスごとの信頼性を回復する実践的なプロトコルを配置することである。

関連論文リスト

• Semiparametric Inference for Conditional Shapley Feature Importance [0.0]
  本稿では, 条件定式化について検討し, その実条件分布の下で, 対数外特徴を積分する。 そこで本研究では, K-fold cross-fitting とU-statistic correct of the squared loss intervalを提案する。 ピンスカー型境界は、作業コプラクラスを誤って特定するバイアスを定量化し、ワインコプラは条件付きサンプリングが可能である。
  論文  参考訳（メタデータ） (2026-09-09T15:19:24Z)
• Distribution-Free Conformal Prediction for Steel Fatigue Strength: Marginal Validity Is Not Enough [0.0]
  鋼部品の疲労破壊を実験的に予測するには、複数の組成と処理条件をまたいだ試験が必要であるため、コストがかかる。 NIMS MatNavi鋼疲労データセットを用いた研究は、しばしば高い点予測精度を報告するが、総合誤差測定に依存する。 本論文は, 鋼疲労強度に対する適合予測を初めて適用したものである。
  論文  参考訳（メタデータ） (2026-08-05T18:13:28Z)
• Distributionally Faithful Imputation via Positive Semi-Definite Kernel Density Estimation [55.47411235954028]
  マスク観測による密度推定では,不規則に不規則に不規則な計算を行う。 我々は,ニュートン内点法で解ける閉じた形状の辺縁を持つ凸型経験的リスク問題を得る。 結果のPSDインプットモデルでは、同一の入射密度から単一および多重インプットが得られる。
  論文  参考訳（メタデータ） (2026-07-08T15:51:05Z)
• Distributionally Robust Transfer Learning with Structurally Missing Covariates, with Application to Cross-National Cardiac Arrest Prediction [6.540707401117924]
  本稿では,予測モデルを対象人口に転送するフレームワークとしてDRUM(underlineDtributionally underlineRobust underlineUn)を提案する。 DRUMは, より良い教師付き予測を行い, 臨床分類性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-22T20:53:04Z)
• Conditional Coverage Diagnostics for Conformal Prediction [47.93989136542648]
  条件付きカバレッジ推定が分類問題であることを示す。 得られたメトリクスの族をターゲットカバレッジ(ERT)の過剰なリスクと呼びます。 ERTのオープンソースパッケージと、以前の条件付きカバレッジメトリクスをリリースしています。
  論文  参考訳（メタデータ） (2025-12-12T18:47:39Z)
• Coverage-Guaranteed Speech Emotion Recognition via Calibrated Uncertainty-Adaptive Prediction Sets [0.0]
  しばしば感情的な抑圧と突然のアウトバーストによって引き起こされる道路の怒りは、衝突や攻撃的な行動を引き起こすことによって道路の安全を著しく脅かす。 音声感情認識技術は、ネガティブな感情を早期に識別し、タイムリーな警告を発することにより、このリスクを軽減することができる。 本稿では,予測精度を統計的に厳格に保証するリスク制御予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-24T12:26:28Z)
• MaxSup: Overcoming Representation Collapse in Label Smoothing [52.66247931969715]
  ラベル平滑化(LS)は、ニューラルネットワーク予測における過信を減らすために広く採用されている。 LSコンパクトは、過剰に厳密なクラスタに表現を特徴付け、クラス内の多様性を希薄にする。 正しい予測と誤予測の両方に一様正則化を適用するMax Suppression(MaxSup)を提案する。
  論文  参考訳（メタデータ） (2025-02-18T20:10:34Z)
• Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
  コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。 しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。 信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T15:37:11Z)
• Sharp error bounds for imbalanced classification: how many examples in the minority class? [6.74159270845872]
  損失関数の再重み付け(英: reweighting the loss function)は、リスク測度内の真正と真負の率の平衡を許容する標準手順である。 この領域における重要な理論的研究にもかかわらず、既存の結果は不均衡な分類フレームワークにおける主要な課題に適切に対処していない。 希少なクラス確率がゼロに近づくような環境では、2つの寄与を示す。
  論文  参考訳（メタデータ） (2023-10-23T11:45:34Z)
• Confidence and Dispersity Speak: Characterising Prediction Matrix for Unsupervised Accuracy Estimation [51.809741427975105]
  この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。 我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。 核の基準は既存の手法よりも正確で堅牢であることを示す。
  論文  参考訳（メタデータ） (2023-02-02T13:30:48Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。