論文の概要: How to Spend Your Oracle Budget: Practical Guidance for Protein Structure Prediction Models

• arxiv url: http://arxiv.org/abs/2608.12192v1
• Date: Wed, 12 Aug 2026 15:46:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.630004
• Title: How to Spend Your Oracle Budget: Practical Guidance for Protein Structure Prediction Models
• Title（参考訳）: Oracleの予算をどう延ばすか - タンパク質構造予測モデルのための実践的ガイダンス
• Abstract要約: タンパク質構造予測の基礎モデルは、特定の標的に対して信頼できないままである。 外部のオラクルはこれらの障害をフラグ付けして修正することができるが、生物学的なオラクルは高価であり、オラクル予算は重大な制約となる。 FKステアリング、DPO、Best K-of-Nサンプリングといった既存のガイダンス手法は、この予算をどのように使うかが異なる。 我々は、最近提案された出力の最適化(O3)と並行してこれらの手法をベンチマークし、生成モデルの潜在部分空間にオフザシェルフオプティマイザを適用する。
• 参考スコア（独自算出の注目度）: 39.17744902504211
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models for protein structure prediction remain unreliable on certain targets. External oracles can flag and correct these failures, but biological oracles are expensive, making oracle budget a critical constraint. Existing guidance methods, such as FK-steering, DPO, and Best K-of-N sampling, differ in how they spend this budget, yet no systematic comparison exists to guide method selection. To bridge this gap, we benchmark these methods alongside the recently proposed Optimisation Over Outputs (O3), which applies off-the-shelf optimisers within a generative model's latent subspace. We extend the usage of O3 to protein structure prediction models. Overall, our work provides the first practical reference for oracle budget-aware guidance. Our evaluation on two protein targets, calmodulin (1CLL) and E. coli aspartate transcarbamoylase (9EEH), reveals that no single method consistently dominates across all budgets and oracles. Specifically, O3 proves most effective at low oracle budgets, while FK-steering and DPO demonstrate improved performance as the budget increases. We distil these findings into actionable recommendations for practitioners operating under real-world oracle-budget constraints.
• Abstract（参考訳）: タンパク質構造予測の基礎モデルは、特定の標的に対して信頼できないままである。 外部のオラクルはこれらの障害をフラグ付けして修正することができるが、生物学的なオラクルは高価であり、オラクル予算は重大な制約となる。 FKステアリング、DPO、Best K-of-Nサンプリングなどの既存のガイダンス手法は、この予算をどのように使うかが異なるが、方法の選択を導くための体系的な比較は存在しない。 このギャップを埋めるために、我々は最近提案されたO3(Optimisation Over Outputs)とともにこれらの手法をベンチマークし、生成モデルの潜在部分空間内にオフザシェルフオプティマイザを適用する。 我々は,タンパク質構造予測モデルへのO3の利用を拡大する。 全体として、私たちの研究は、オラクルの予算対応ガイダンスに対する最初の実践的な参照を提供します。 カルボデュリン (1CLL) と大腸菌アスパラギン酸トランスカルバモイラーゼ (9EEH) の2つのタンパク質標的について検討したところ, いずれの方法も全ての予算やオークルに一貫した支配性は認められなかった。 特に、O3は低オラクルの予算において最も有効であることが証明され、一方、FKステアリングとDPOは予算が増加するにつれて性能が向上した。 現実世界のオラクル予算制約の下で活動する実践者に対して,これらの知見を実用的なレコメンデーションとして活用する。

関連論文リスト

• Threshold-Based Selection for Continuous Optimization: A Leaf-Abscission Instantiation [1.827510863075184]
  Leaf Abscission Optimization (LAO)は、ランクベースの強度、現象的季節信号、多様性変調、環境圧力、およびベース再成長カーネルを使用する。 本稿では,各既存成分が変動前に試験され,文脈圧力が強度を超える場合にのみ置換が生じて評価される評価ゲーティングアーキテクチャとして,しきい値に基づく選択を定式化する。
  論文  参考訳（メタデータ） (2026-09-06T17:41:35Z)
• APO: Unsupervised Atomic Policy Optimization for 3D Structure Prediction of Atomic Systems [64.56252173115246]
  そこで本研究では, 基幹構造を不要とした非教師なしアライメントフレームワーク(Atomic Policy Optimization)を提案する。 APOは、新しい二重回帰機構を利用して、3次元原子環境にグループ相対的なポリシー最適化を適用する。 この結果から,本質的な物理的整合性は,ノイズや教師付き座標マッチングよりも優れたアライメントのガイドとなる可能性が示唆された。
  論文  参考訳（メタデータ） (2026-07-30T17:21:58Z)
• Be Your Own Teacher: Steering Protein Language Models via Unsupervised Reward Optimization [85.4863852505905]
  タンパク質言語モデル(PLM)の教師なし報酬最適化を導入する。 我々の重要な洞察は、本質的なモデルの不確実性とタンパク質表現モデルによって誘導される意味的整合性を組み合わせたタスク非依存報酬は、ベースモデルと温度レギュレーションの制御可能性指標と強い相関を示すことである。 我々のフレームワークは、ラベル付けされた好みや実験的なフィードバックが不足したり、利用できないような環境で、制御可能な生体分子設計へのスケーラブルな経路を提供する。
  論文  参考訳（メタデータ） (2026-06-17T11:42:01Z)
• Budget-Aware Anytime Reasoning with LLM-Synthesized Preference Data [57.996437077411315]
  計算予算に制限のある大規模言語モデル(LLM)の推論挙動について検討する。 我々は、任意の推論フレームワークとAnytime Indexを導入し、推論トークンが増加するにつれて、ソリューションの品質がいかに効果的に向上するかを定量化します。 NaturalPlan(Trip)、AIME、GPQAデータセットの実験では、Grok-3、GPT-oss、GPT-4.1/4o、LLaMAモデル間で一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-01-16T07:09:30Z)
• Sharp Structure-Agnostic Lower Bounds for General Functional Estimation [22.228743542695835]
  本稿では,構造に依存しない推定器で得られる最適誤差率について,系統的に検討する。 まず、因果推論における中心的パラメータである平均治療効果(ATE)を推定するために、二重頑健な学習が最適構造に依存しない誤り率を得ることを示す。 次に、未知のニュアンス関数に依存する関数の一般クラスに解析を拡張し、デバイアス/ダブル機械学習の構造-非依存的最適性を確立する。
  論文  参考訳（メタデータ） (2025-12-19T08:34:05Z)
• Protein Inverse Folding From Structure Feedback [78.27854221882572]
  本稿では,タンパク質の折りたたみモデルからのフィードバックを用いて,逆折りたたみモデルを微調整する手法を提案する。 CATH 4.2 テストセットの結果,DPO の微調整により平均 TM-Score が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2025-06-03T16:02:12Z)
• Supervised Optimism Correction: Be Confident When LLMs Are Sure [91.7459076316849]
  教師付き微調整とオフライン強化学習の間には,新たな理論的関係が確立されている。 広く使われているビームサーチ法は、許容できない過度な最適化に悩まされていることを示す。 本稿では,トークンレベル$Q$-value推定のための簡易かつ効果的な補助的損失を導入したSupervised Optimism Correctionを提案する。
  論文  参考訳（メタデータ） (2025-04-10T07:50:03Z)
• Multi-Step Budgeted Bayesian Optimization with Unknown Evaluation Costs [28.254408148839644]
  不均一な評価コストの設定に古典的な期待改善を一般化する非筋力的獲得関数を提案する。 我々の獲得関数は、様々な合成問題や実問題において、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2021-11-12T02:18:26Z)

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。