論文の概要: Feedback-Calibrated Protein Optimization with Batch-Aligned Tail Arbitration

• arxiv url: http://arxiv.org/abs/2609.37808v1
• Date: Tue, 29 Sep 2026 15:25:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.681716
• Title: Feedback-Calibrated Protein Optimization with Batch-Aligned Tail Arbitration
• Title（参考訳）: Batch-Aligned Tail Arbitration を用いたフィードバックキャリブレーションタンパク質最適化
• Abstract要約: Batch-Aligned Tail Arbitration (BATA)は、実験的なフィードバックを用いて、事前情報とタスク固有のランキングを順応的に組み合わせ、次のバッチ選択を行う。 測定されたGB1, PABP, TrpBのランドスケープ全体で、BATAは480測定後の最終最適適合度において、最高の平均タスクランク(1.67)を達成している。
• 参考スコア（独自算出の注目度）: 13.170424880435178
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Protein optimization aims to discover high-fitness sequences under a limited experimental budget. Existing machine-learning methods use task-specific predictors, biological priors, or ranking-aware objectives to guide which variants are tested in the next experimental round. However, these methods cannot adapt to shifts in the reliability of predictive evidence as measurements accumulate and ensure the correct ranking of key high-fitness candidates. To address these challenges, we propose Batch-Aligned Tail Arbitration (BATA), which uses experimental feedback to adaptively combine prior-informed and task-specific rankings for next-batch selection, with calibration focused on the batch-aligned high-fitness region. Across measured GB1, PABP, and TrpB landscapes, BATA achieves the best mean task rank (1.67) in final best fitness after 480 measurements. Controlled comparisons further show task-dependent gains from high-fitness calibration and batch alignment. Our work introduces feedback-calibrated predictor arbitration, where experimental feedback dynamically determines how predictive evidence guides next-batch selection, opening a new direction for protein optimization.
• Abstract（参考訳）: タンパク質最適化は、限られた実験予算の下で高適合性配列を発見することを目的としている。 既存の機械学習手法では、タスク固有の予測、生物学的先行、ランキングアウェアの目的を使用して、次の実験ラウンドでどの変種がテストされるかをガイドする。 しかし、これらの手法は、測定値が蓄積され、重要な高適合性候補の正しいランキングが確保されるにつれて、予測的証拠の信頼性の変化に適応できない。 これらの課題に対処するため,BATA(Batch-Aligned Tail Arbitration)を提案する。 測定されたGB1, PABP, TrpBのランドスケープ全体で、BATAは480測定後の最終最高適合度において、最高の平均タスクランク(1.67)を達成している。 制御された比較は、高適合度校正とバッチアライメントによるタスク依存の利得をさらに示す。 実験的なフィードバックによって予測的エビデンスがどのように次のバッチ選択を導出するかを動的に決定し、タンパク質最適化の新しい方向性を開く。

関連論文リスト

• Conformal Bayes under Label Shift: Post-Hoc Calibration vs. In-Training Adaptation [0.6599344783327052]
  我々はラベルシフトの下で共形ベイズを統一的な視点から研究する。 名目的対象領域のカバレッジを復元する2つの補完的アプローチを同定する。 トレーニング中の適応はデバイアス演算子として機能し、一定範囲で間隔幅を小さくする。
  論文  参考訳（メタデータ） (2026-06-10T09:38:48Z)
• On the Role of Batch Size in Stochastic Conditional Gradient Methods [51.97510367368799]
  条件勾配法におけるバッチサイズの役割を,$-KL条件下で検討した。 バッチサイズの増加は、当初は最適化の精度を向上するが、重要なしきい値を超えると、固定トークン予算の下でのメリットと飽和度は、パフォーマンスを劣化させる可能性がある。
  論文  参考訳（メタデータ） (2026-03-22T12:23:41Z)
• Improving Bias Correction Standards by Quantifying its Effects on Treatment Outcomes [54.18828236350544]
  Propensity score matching (PSM) は、分析のために同等の人口を選択することで選択バイアスに対処する。 異なるマッチング手法は、すべての検証基準を満たす場合でも、同じタスクに対する平均処理効果(ATE)を著しく異なるものにすることができる。 この問題に対処するため,新しい指標A2Aを導入し,有効試合数を削減した。
  論文  参考訳（メタデータ） (2024-07-20T12:42:24Z)
• Adaptive Selection of the Optimal Strategy to Improve Precision and Power in Randomized Trials [2.048226951354646]
  精度を最大化するために、どの変数とどの形式で調整アプローチを選択するかを示す。 このアプローチは、(nullの下で)Type-Iエラー制御を維持し、精度を大幅に向上させる。 実データに適用すると、全体およびサブグループ内で有意義な効率改善が見られる。
  論文  参考訳（メタデータ） (2022-10-31T16:25:38Z)
• MetaRF: Differentiable Random Forest for Reaction Yield Prediction with a Few Trails [58.47364143304643]
  本稿では,反応収率予測問題に焦点をあてる。 筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。 数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
  論文  参考訳（メタデータ） (2022-08-22T06:40:13Z)
• Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
  本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。 トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。 1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
  論文  参考訳（メタデータ） (2022-05-27T11:13:17Z)
• The Hitchhiker's Guide to Prior-Shift Adaptation [41.4341627937948]
  本稿では,混乱行列に基づく事前推定手法の既知の問題に対処する新しい手法を提案する。 きめ細かい画像分類データセットの実験は、事前シフト推定のベストプラクティスに関する洞察を与える。 自然にバランスの取れない2つのタスクにベストプラクティスを適用すると、Webcrawledイメージと植物種分類から学習することで、それぞれ1.1%と3.4%の認識精度が向上した。
  論文  参考訳（メタデータ） (2021-06-22T11:55:51Z)

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。