論文の概要: Beyond Predictive Accuracy: A Reliability-Aware Audit of Molecular Representations for Human Olfaction

• arxiv url: http://arxiv.org/abs/2607.24848v1
• Date: Sat, 25 Jul 2026 03:38:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.551659
• Title: Beyond Predictive Accuracy: A Reliability-Aware Audit of Molecular Representations for Human Olfaction
• Title（参考訳）: 予測精度を超えて:人間の嗅覚の分子表現の信頼性に配慮した監査
• Abstract要約: 4つのクレームにまたがるヒトの嗅覚反応に対する分子表現の信頼性を考慮した評価法を提案する。 人間の3属性評価幾何学は、強さ、快適さ、親しみに基づくものであり、参加者の分割によって再現可能である。 MoLFormerは、RDKit-Morganの組み合わせベースライン以上の明確なインクリメンタルな予測値を、いずれの単一分子データセットにも提供しない。
• 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: Pretrained molecular encoders are commonly evaluated through downstream prediction, but predictive accuracy alone does not establish that a learned representation captures reproducible scientific structure, adds information beyond strong conventional baselines, or transfers out of distribution. We present a reliability-aware audit of generic molecular representations for human olfaction across four distinct claims: global perceptual geometry, incremental predictive value beyond chemistry, cross-dataset replication, and mixture transfer to unseen components. Using the Keller-Vosshall and Bierling single-molecule rating datasets and the Ma binary-mixture dataset, we compare MoLFormer and ChemBERTa against RDKit descriptors and Morgan fingerprints under identity-controlled and matched evaluations. Human three-attribute rating geometry, based on intensity, pleasantness, and familiarity, is reproducible across participant splits (median RSA 0.743 and 0.855), whereas model-human alignment is substantially weaker (RSA 0.019-0.158). Learned embeddings do not consistently outperform conventional representations in global alignment, and MoLFormer provides no clear incremental predictive value beyond a combined RDKit-Morgan baseline in either single-molecule dataset. Human geometry shows positive but incomplete agreement across 63 shared molecules (RSA 0.331; 95% bootstrap interval [0.204, 0.507]). Under one strict unseen-component mixture split, incremental effects are outcome- and representation-dependent, with all intervals crossing zero. These results establish empirical boundaries for the evaluated generic molecular encoders and motivate a broader evaluation principle: representation quality in scientific domains should be assessed separately for target reliability, structural alignment, incremental information, replication, and out-of-distribution transfer.
• Abstract（参考訳）: 事前学習された分子エンコーダは、下流予測によって一般的に評価されるが、予測精度だけでは、学習された表現が再現可能な科学構造を捉えたり、強い基礎線を超えた情報を付加したり、分布から移動させたりすることを証明していない。 本稿では,地球規模の知覚幾何学,化学以外の漸進的な予測値,クロスデータセット複製,未確認成分への混合移動の4つの主張にまたがって,ヒトの嗅覚の分子表現の信頼性に留意した監査を行う。 Keller-Vosshall と Bierling の単分子評価データセットと Ma のバイナリ混合データセットを用いて,RDKit ディスクリプタと Morgan の指紋との比較を行った。 ヒトの3属性評価幾何学は、強度、快適性、親しみに基づくものであり、参加者の分割(中央値RSA 0.743 と 0.855)で再現可能であるが、モデルと人間のアライメントは実質的に弱い(RSA 0.019-0.158)。 学習済みの埋め込みは、グローバルアライメントにおける従来の表現を一貫して上回るものではない。 ヒトの幾何学は63の共有分子(RSA 0.331;95%のブートストラップ間隔 [0.204, 0.507])で正の一致を示すが不完全な一致を示す。 1つの厳密な可視成分混合の下では、増分効果は結果に依存し、表現に依存し、すべての区間は0を横断する。 これらの結果は、評価されたジェネリック分子エンコーダの実証的境界を確立し、より広範な評価原則を動機づける: 科学的領域における表現品質は、ターゲットの信頼性、構造的アライメント、インクリメンタル情報、複製、およびアウト・オブ・ディストリビューション・トランスファーのために別々に評価されるべきである。

関連論文リスト

• Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation [71.74203645336385]
  Impute-EMは、現在のモデルとインプットされていないエントリを交換し、完了したデータに拡散バックボーンをリフィットする。 我々は、この更新を特徴付け、観測されたマスクインデクシングされた辺縁線が、その限界で目標と一致していることを示す。
  論文  参考訳（メタデータ） (2026-09-14T09:39:13Z)
• Aggregate-then-Calibrate for Human-centered Assessment with Theoretical Guarantees [15.471672928989138]
  人間の判断のみを用いる方法は、異質な専門知識と一貫性のない評価尺度に悩まされる。 AtC(Aggregate-then-Calibrate)は,これらの相補的な情報源を組み合わせた2段階のフレームワークである。 AtCは、人間のみまたはモデルのみの評価よりも精度と堅牢性を一貫して改善する。
  論文  参考訳（メタデータ） (2026-08-03T16:30:30Z)
• Chem-PerturBridge: a harmonized compendium of small molecule perturbation transcriptomic effects [4.860649440823431]
  Chem-PerturBridgeは、37k以上の化合物、136の細胞コンテキスト、1.25Mの転写サンプルからなる、調和したマルチデータセット資源である。 このリソースを使用して、データセット間での一致条件の一致を評価し、データセット内での一致を再現します。
  論文  参考訳（メタデータ） (2026-05-29T16:38:30Z)
• A Systematic Evaluation of Molecular Mixture Behavior Prediction [0.0]
  本稿では,混合確率誤差を純粋成分と相互作用成分(非理想成分)に分解する評価フレームワークを提案する。 強い絶対精度は、非理想的混合行動の回復不良を隠蔽できることを示す。 これらの結果は、未知の分子への移動が、分子混合機械学習における中心的な課題であることを示している。
  論文  参考訳（メタデータ） (2026-05-28T09:58:59Z)
• TerraBind: Fast and Accurate Binding Affinity Prediction through Coarse Structural Representations [0.7891868017562221]
  本稿では,タンパク質リガンド構造と結合親和性予測の基礎モデルTerraBindを提案する。 最新の手法よりも26倍高速な推論を実現し、親和性予測精度を$sim$20%向上させる。
  論文  参考訳（メタデータ） (2026-02-08T00:01:43Z)
• Diagnosing Heteroskedasticity and Resolving Multicollinearity Paradoxes in Physicochemical Property Prediction [0.2330146832085843]
  PubChem, ChEMBL, eMoleculesデータベースから426,850個の生物活性分子を解析した。 計算された logP 値を予測する線形モデルでは, 重度のヘテロスケダスト性が確認された。 木に基づくアンサンブル法は本質的にヘテロスケダスティック性に強く,予測性能は優れていた。
  論文  参考訳（メタデータ） (2025-12-31T05:32:13Z)
• Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
  この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。 分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。 細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
  論文  参考訳（メタデータ） (2025-07-22T04:35:50Z)
• Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
  薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。 本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:27:40Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• SE(3)-Invariant Multiparameter Persistent Homology for Chiral-Sensitive Molecular Property Prediction [1.534667887016089]
  多パラメータ持続ホモロジー(MPPH)を用いた新しい分子指紋生成法を提案する。 この技術は、正確な分子特性予測が不可欠である薬物発見と材料科学において、かなりの重要性を持っている。 分子特性の予測における既存の最先端手法よりも優れた性能を示し,MoleculeNetベンチマークで広範囲な評価を行った。
  論文  参考訳（メタデータ） (2023-12-12T09:33:54Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
  補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。 テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。 以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-22T21:12:31Z)

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。