論文の概要: CoMPASS: Collaborative Molecular Property Prediction via Adaptive Small-Large Model Synergy

• arxiv url: http://arxiv.org/abs/2608.30674v1
• Date: Mon, 31 Aug 2026 12:14:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.383634
• Title: CoMPASS: Collaborative Molecular Property Prediction via Adaptive Small-Large Model Synergy
• Title（参考訳）: CoMPASS:適応型小モデル相乗効果による協調的分子特性予測
• Abstract要約: 正確な分子特性予測には、統計的信頼性と化学的推論の両方が必要である。 CoMPASSは、小型モデルコラボレーションのための検索校正フレームワークである。 その結果, 生成的推論は, 根拠的, 制御された補正によって, 校正予測を増強すべきであることが示唆された。
• 参考スコア（独自算出の注目度）: 8.012730274764019
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate molecular property prediction requires both statistical reliability and chemical reasoning. Graph neural networks can be calibrated directly on labeled assays but remain limited by the coverage of their training data. Large language models (LLMs) can compare molecular evidence and articulate chemical rationales, yet are unreliable as standalone quantitative predictors. The central challenge is therefore to determine when an LLM should influence a calibrated model and by how much. Here we present CoMPASS, a retrieval-calibrated framework for small-large model collaboration. CoMPASS retains a graph attention network (GAT) as the predictive anchor, retrieves locally relevant training molecules, provides attention-grounded evidence to an LLM, and converts its proposal into a bounded correction through an agreement-aware gate. Across six classification and two regression benchmarks, CoMPASS improves the GAT anchor in regions of correctable uncertainty while limiting LLM intervention in high-confidence regimes. Ablations show that the gains arise from validation-calibrated retrieval and bounded fusion rather than prompting alone. These results suggest that generative reasoning should augment calibrated prediction through evidence-grounded, controlled corrections rather than direct output replacement. Code is available at https://github.com/littlepeachs/CoMPASS.
• Abstract（参考訳）: 正確な分子特性予測には、統計的信頼性と化学的推論の両方が必要である。 グラフニューラルネットワークはラベル付きアッセイで直接校正することができるが、トレーニングデータのカバレッジによって制限される。 大規模言語モデル (LLMs) は、分子的エビデンスを比較し、化学的理理性を記述することができるが、独立した定量的予測器として信頼できない。 したがって、LCMが校正モデルにいつ影響するか、どれくらいの量で決定することが中心的な課題である。 本稿では,小規模モデルコラボレーションのための検索校正フレームワークであるCoMPASSを紹介する。 CoMPASSは、グラフアテンションネットワーク(GAT)を予測アンカーとして保持し、局所的な関連するトレーニング分子を検索し、LLMにアテンショングラウンドのエビデンスを提供し、その提案を合意対応ゲートを通じてバウンド補正に変換する。 6つの分類と2つの回帰ベンチマークにおいて、CoMPASSは高信頼体制におけるLDM介入を制限するとともに、修正可能な不確実性の領域におけるGATアンカーを改善している。 アブレーションは、単独で行うのではなく、検証校正された検索と有界融合から得られる利得を示している。 これらの結果は、生成的推論は直接出力置換ではなく、エビデンスで制御された補正によって校正された予測を増大させるべきであることを示唆している。 コードはhttps://github.com/littlepeachs/CoMPASSで入手できる。

関連論文リスト

• Adapting Evidential Neural Networks to Test-Time Neighbor Fusion Improves Molecular Property Prediction [28.11511793703245]
  トレーニングされた分子特性モデルを、最も類似したトレーニングされた分子のラベルで各予測を補正することにより、テスト時に洗練することができる。 この研究は、明らかな不確実性分解は単なる校正目的ではなく、実行可能な推論資源であることを示した。
  論文  参考訳（メタデータ） (2026-07-13T04:59:09Z)
• Uncertainty-aware reinforcement learning for chemical language models [0.5156484100374058]
  強化学習(RL)はデノボ分子設計の強力なパラダイムとなっている。 我々は、不確実性を考慮したRLにより、CLMがより堅牢な化学空間を探索できることを示す。 これは、分子のスコアを損なうことなく、より信頼性の高いヒット発見につながる。
  論文  参考訳（メタデータ） (2026-06-23T14:42:46Z)
• The Critical Role of Model Selection in Causal Inference: A Comparative Analysis of Classification Models within the InferBERT Framework for Pharmacovigilance [5.94491873775155]
  InferBERTフレームワークは、変換モデルをDo-calculusと統合する。 XGBoost(ベースライン)、ALBERT、BioBERT、Med-LLaMAの4モデルが評価された。 ドメイン固有の事前トレーニングは決定的だった。 BioBERTは両方のデータセットで最高の精度を達成した。
  論文  参考訳（メタデータ） (2026-06-15T09:01:49Z)
• Discovery of Hidden Miscalibration Regimes [52.452902154360565]
  モデルは何らかの入力を体系的に過信し、他人を過信することがある。 対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。 提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
  論文  参考訳（メタデータ） (2026-05-13T13:07:50Z)
• KMM-CP: Practical Conformal Prediction under Covariate Shift via Selective Kernel Mean Matching [19.67518257951341]
  Conformal Prediction (CP) は、交換可能性の下で有限サンプルカバレッジを保証する。 Kernel Mean Matching(KMM)に基づく共形予測フレームワークKMM-CPを提案する。 現実的な分布シフトを伴う分子特性予測ベンチマークの実験により、KMM-CPは既存のアプローチと比較して、カバレッジギャップを50%以上削減することが示された。
  論文  参考訳（メタデータ） (2026-03-27T13:44:42Z)
• Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
  モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。 累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。 主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
  論文  参考訳（メタデータ） (2026-02-10T21:08:53Z)
• Mitigating LLM Hallucination via Behaviorally Calibrated Reinforcement Learning [32.32593439144886]
  振舞い校正された強化学習により、小さなモデルは不確実な定量化においてフロンティアモデルを超えることができる。 当社のモデルでは,GPT-5の0.207を超える精度向上率(0.806)を挑戦的なドメイン内評価において達成している。
  論文  参考訳（メタデータ） (2025-12-22T22:51:48Z)
• Generalized Correctness Models: Learning Calibrated and Model-Agnostic Correctness Predictors from Historical Patterns [67.24756301536617]
  本稿では,正確で校正された信頼度を推定する一般化精度モデル(GCM)を提案する。 まず,多くのLCMの正当性データに基づいてGCMをトレーニングできることを示す。 次に,CMをレンズとして,補正予測能力の源泉とその一般化について検討する。
  論文  参考訳（メタデータ） (2025-09-29T16:19:01Z)
• Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation [85.58520120011269]
  本研究では,具体的スコアを用いてスコアマッチングを離散グラフに拡張するComposable Score-based Graph Diffusion Model (CSGD)を提案する。 CSGDは従来の手法よりも平均15.3%の制御性向上を実現していることを示す。 本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。
  論文  参考訳（メタデータ） (2025-09-11T13:37:56Z)
• Just Ask for Calibration: Strategies for Eliciting Calibrated Confidence Scores from Language Models Fine-Tuned with Human Feedback [91.22679548111127]
  信頼できる現実世界の予測システムは、よく校正された信頼スコアを生成するべきである。 出力トークンとして出力される言語的信頼度は、通常、モデルの条件付き確率よりも良く校正されていることを示す。
  論文  参考訳（メタデータ） (2023-05-24T10:12:33Z)
• Rapid Adaptation in Online Continual Learning: Are We Evaluating It Right? [135.71855998537347]
  オンライン連続学習(OCL)アルゴリズムの適応性を評価するための一般的な手法を,オンライン精度の指標を用いて再検討する。 空白のブラインド分類器でさえ、非現実的に高いオンライン精度を達成できるため、この指標は信頼できない。 既存のOCLアルゴリズムは、オンラインの精度も高いが、有用な情報の保持は不十分である。
  論文  参考訳（メタデータ） (2023-05-16T08:29:33Z)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)

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。