論文の概要: CalibHyper: Chance-Corrected Relational Hypergraphs for Few-Shot Molecular Property Prediction

• arxiv url: http://arxiv.org/abs/2609.33342v1
• Date: Sun, 27 Sep 2026 08:15:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:56:32.398158
• Title: CalibHyper: Chance-Corrected Relational Hypergraphs for Few-Shot Molecular Property Prediction
• Title（参考訳）: CalibHyper-Chance-Corrected Relational Hypergraphs for Few-Shot Molecular Properties Prediction (特集:バイオサイバネティックスとバイオサイバネティックス)
• Abstract要約: CalibHyperは共同ラベル分布に基づく確率補正型リレーショナルハイパーグラフ法である。 5つのベンチマークから得られた13のデータセットに対して、CalibHyperとそのアブレーション設定は、最も強い報告結果と競合するROC-AUCを実現する。
• 参考スコア（独自算出の注目度）: 34.46183220268606
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular property prediction is central to drug development and materials discovery, but experiments are costly and labeled data are scarce. Context-aware methods use auxiliary assay labels to support few-shot prediction, and recent work supervises property relations with label agreement. However, label agreement is sensitive to class marginals and does not directly capture dependence between properties. We propose CalibHyper, a chance-corrected relational hypergraph method based on the joint label distribution. CalibHyper subtracts an independence baseline from the ordered four-state label distribution and shrinks the residual according to the number of joint observations. A swap-equivariant relation head estimates these residuals, which choose the auxiliary properties for each molecule and set the sign and weight of their hyperedge messages. On thirteen datasets from five benchmarks, in both 1-shot and 10-shot settings, CalibHyper and its ablation settings achieve ROC-AUC competitive with the strongest reported results.
• Abstract（参考訳）: 分子特性予測は、薬物開発と材料発見の中心であるが、実験は費用がかかり、ラベル付きデータが不足している。 文脈認識手法は補助的なアッセイラベルを用いて数ショットの予測をサポートし、最近の研究はラベル契約とのプロパティ関係を監督している。 しかし、ラベル合意はクラス境界に敏感であり、プロパティ間の依存関係を直接キャプチャするものではない。 共同ラベル分布に基づく確率補正型リレーショナルハイパーグラフ法であるCalibHyperを提案する。 CalibHyperは、注文された4状態ラベル分布から独立ベースラインを抽出し、共同観測数に応じて残余を縮小する。 スワップ-等変関係ヘッドはこれらの残基を推定し、各分子の補助特性を選択し、それらのハイパーエッジメッセージの符号と重みを設定する。 5つのベンチマークから得られた13のデータセットでは、1ショットと10ショットの両方の設定で、CalibHyperとそのアブレーション設定は、最も強い報告結果と競合するROC-AUCを実現している。

関連論文リスト

• HyperLabel: Multi-Label Classification via Hypergraph-Based Label Correlation Modeling [21.044430295296632]
  マルチラベル分類(MLC)では、各インスタンスについて複数の関連するラベルを予測する必要がある。 既存の手法は高次ラベル相関の取得に限られている。 本稿では,ハイパーグラフニューラルネットワークを用いて依存関係を明示的にモデル化するエンコーダデコーダフレームワークであるHyperLabelを提案する。
  論文  参考訳（メタデータ） (2026-09-26T06:04:33Z)
• Structured Proper Loss Geometries for Multiclass Classification: Theory and Controlled Empirical Evaluation [0.0]
  本稿では,クラス対応2次ブラグマンスコア(CAPM),制約付きログコッシュリッジ(HPG)を備えた強い凸発生器,確率マージンペナルティ(APMS)を用いたHPGの3つの目的について検討する。 我々は,CAPMおよびHPGの条件回帰,曲率,範囲,およびロジット勾配境界を導出し,APMSの厳密なペナルティ範囲および条件目標変位境界を証明した。
  論文  参考訳（メタデータ） (2026-06-28T15:57:59Z)
• Similarity-as-Evidence: Calibrating Overconfident VLMs for Interpretable and Label-Efficient Medical Active Learning [10.264467364282865]
  類似性証拠(SaE)は、類似性証拠ヘッド(SEH)を導入してテキスト画像の類似性を校正する SaEは、最先端のマクロ平均精度を、20%のラベル予算で、医療画像データセット上で82.57%の精度で達成している。
  論文  参考訳（メタデータ） (2026-02-21T15:21:54Z)
• DiCaP: Distribution-Calibrated Pseudo-labeling for Semi-Supervised Multi-Label Learning [83.94574004953346]
  半教師付きマルチラベル学習は、ラベルのないデータを活用してモデルの性能を向上させることを目的としている。 既存の手法の多くは、その品質に関わらず、すべての擬似ラベルに等しい重みを割り当てる。 擬似ラベル重みの校正に後部精度を推定する正当性認識フレームワークDiCaPを提案する。
  論文  参考訳（メタデータ） (2025-11-25T11:55:02Z)
• Label Distribution Learning with Biased Annotations by Learning Multi-Label Representation [120.97262070068224]
  マルチラベル学習(MLL)は,実世界のデータ表現能力に注目されている。 ラベル分布学習(LDL)は正確なラベル分布の収集において課題に直面している。
  論文  参考訳（メタデータ） (2025-02-03T09:04:03Z)
• Enhancing chest X-ray datasets with privacy-preserving large language models and multi-type annotations: a data-driven approach for improved classification [0.6144680854063935]
  胸部X線(CXR)画像解析では、通常、ルールベースのシステムはデータセットリリースのレポートからラベルを抽出するために使用される。 本稿では,局所的に実行可能なLarge Language Model (LLM) を利用して,発見ラベルの抽出と拡張を行う新しいアプローチであるMAPLEZを提案する。
  論文  参考訳（メタデータ） (2024-03-06T20:10:41Z)
• Accurate Use of Label Dependency in Multi-Label Text Classification Through the Lens of Causality [25.36416774024584]
  マルチラベルテキスト分類は、各テキストに最も関連性の高いラベルを割り当てることを目的としている。 ラベル依存は、モデルは望ましくない予測バイアスに悩まされる可能性がある。 本稿では,相関バイアスを排除し,因果関係に基づく予測を行うために,CFTC(CounterFactual Text)を提案する。
  論文  参考訳（メタデータ） (2023-10-11T15:28:44Z)
• Multi-label Classification with High-rank and High-order Label Correlations [62.39748565407201]
  従来の手法では, ラベル行列を低ランク行列係数化した潜在ラベル空間に変換することにより, 高階ラベル相関を捕えることができた。 本稿では,高次ラベル相関を明示的に記述する簡易かつ効果的な手法を提案し,同時にラベル行列の高次値を維持する。 12個のベンチマークデータセットの比較研究により,マルチラベル分類における提案アルゴリズムの有効性が検証された。
  論文  参考訳（メタデータ） (2022-07-09T05:15:31Z)
• Distribution-free uncertainty quantification for classification under label shift [105.27463615756733]
  2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。 まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。 これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
  論文  参考訳（メタデータ） (2021-03-04T20:51:03Z)

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。