Fugu-MT 論文翻訳(概要): Scientific Discovery under Validation Congestion via Multi-Fidelity Pairwise Rankings

論文の概要: Scientific Discovery under Validation Congestion via Multi-Fidelity Pairwise Rankings

arxiv url: http://arxiv.org/abs/2610.01827v1
Date: Thu, 01 Oct 2026 15:04:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-03 01:19:24.213077
Title: Scientific Discovery under Validation Congestion via Multi-Fidelity Pairwise Rankings
Title（参考訳）: 多面的ペアワイドランキングによるバリデーション混雑下の科学的発見
Abstract要約: PRISMSは,有望な候補を特定するために,専門家のペアランキングを利用するフレームワークである。 PRISMSは、回帰のみのアクティブラーニングよりも42%少ないラウンドで50%のトップ10発見リコールを達成し、選択的エスカレーションのないランキングベースの手法よりも15%少ないラウンドで達成している。
参考スコア（独自算出の注目度）: 26.634491386548135
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Modern computational methods can now propose candidate molecules, materials, and other scientific designs at an unprecedented scale, creating a validation congestion where candidates are abundant, but experimental capacity to physically evaluate them remains scarce. Discovering novel scientific designs has therefore become increasingly dependent on curation: selecting a small set of promising designs for slow and costly experiments. Existing curation methods typically rely on data-driven regression models that predict absolute scores, but training these models requires substantial experimental data to begin with. Yet, useful curation signals do not have to take the form of absolute measurements, as scientific design discovery is often comparative in nature. Here, we propose that curation can instead be primarily driven by expert pairwise rankings, which are substantially easier to gather. The expertise can come from computational tools or human input of multiple levels of fidelity, ranging from empirical rules of thumb to agentic workflows and experienced scientists. We introduce PRISMS, a framework that uses pairwise rankings from one or more experts, potentially spanning multiple levels of expertise, to identify the most promising candidates without relying on data-hungry regressors. When experts differ in fidelity and cost, PRISMS escalates pairwise queries from lower- to higher-fidelity rankers based on a Fisher-information criterion. In iterative screening that selects designs from fixed drug discovery libraries, PRISMS achieves 50% top-10 discovery recall in ~42% fewer rounds than regression-only active learning, and in ~15% fewer rounds than the ranking-based method with no selective escalation. In optimization that generates new designs without restriction to a predefined library, PRISMS achieves ~18.8% higher hypervolume than the Bayesian optimization baseline.
Abstract（参考訳）: 現代の計算手法では、候補分子、材料、その他の科学的設計を前例のない規模で提案できるようになり、候補が豊富だが物理的に評価する実験能力は乏しい。そのため、新しい科学デザインの発見はキュレーションにますます依存するようになり、ゆっくりとてコストのかかる実験のために、少数の有望なデザインを選択するようになった。既存のキュレーション法は通常、絶対スコアを予測するデータ駆動回帰モデルに依存しているが、これらのモデルをトレーニングするには、まずはかなりの実験的なデータが必要である。しかし、科学的な設計発見は自然界で比較されることが多いため、有用なキュレーション信号は絶対的な測定の形を取る必要はない。ここでは、キュレーションは主に専門家のペアワイズランキングによって駆動され、収集が極めて容易であることを示す。専門知識は、親指の実証的な規則からエージェントのワークフロー、経験豊富な科学者まで、様々なレベルの忠実さの計算ツールや人間の入力から得ることができる。 PRISMSは、複数のレベルの専門知識にまたがる1つ以上の専門家のペアのランキングを利用するフレームワークで、データ不足の回帰者に頼ることなく、最も有望な候補を特定する。専門家がフィデリティとコストが異なる場合、PRISMSはフィッシャー情報基準に基づいて、下位から上位までの2つのクエリをエスカレートする。固定された薬物発見ライブラリからデザインを選択する反復スクリーニングにおいて、PRISMSは回帰のみのアクティブラーニングよりも50%程度少ないラウンドで、選択的エスカレーションのないランキングベースの手法よりも15%少ないラウンドで、50%以上のトップ10発見リコールを達成する。事前定義されたライブラリに制約を加えることなく新しい設計を生成する最適化において、PRISMSはベイズ最適化ベースラインよりも約18.8%高いハイパーボリュームを達成する。

関連論文リスト

HumanStudy-Bench: Towards AI Agent Design for Participant Simulation [11.906370453952265]
大規模言語モデル (LLMs) は、社会科学実験のシミュレーション参加者としてますます使われている。 HUMANSTUDY-BENCHは、LLMベースのエージェントを編成し、人体実験を再構築するベンチマークおよび実行エンジンである。科学的推論のレベルでの忠実度を評価するために,人間とエージェントの行動がどの程度一致しているかを定量化するための新しい指標を提案する。
論文参考訳（メタデータ） (2026-01-31T12:07:42Z)
The Power of Certainty: How Confident Models Lead to Better Segmentation [0.0]
本稿では,トレーニング中の過去のデータストレージのみを活用することにより,最先端モデルよりも優れた信頼性に基づく自己蒸留手法を提案する。本手法は,複数の臨床センターから収集したデータセットを網羅的に一般化する。
論文参考訳（メタデータ） (2025-07-14T17:12:43Z)
Prediction-Powered Causal Inferences [59.98498488132307]
予測型因果推論(PPCI)に焦点をあてるまず, 条件付きキャリブレーションにより, 人口レベルでの有効なPPCIが保証されることを示す。次に、実験間での十分な表現制約伝達の妥当性を導入する。
論文参考訳（メタデータ） (2025-02-10T10:52:17Z)
Probably Approximately Precision and Recall Learning [60.00180898830079]
機械学習における重要な課題は、一方的なフィードバックの頻度である。本稿では,確率的近似(PAC)フレームワークを導入し,各入力をラベルの集合にマッピングする仮説を定めている。我々は、正のデータのみから学習する新しいアルゴリズムを開発し、実現可能な場合において最適なサンプル複雑性を実現する。
論文参考訳（メタデータ） (2024-11-20T04:21:07Z)
Diverse Data Augmentation with Diffusions for Effective Test-time Prompt Tuning [73.75282761503581]
DiffTPTを提案する。DiffTPTは,事前学習した拡散モデルを用いて,多種多様な情報データを生成する。 DiffTPTがゼロショット精度を平均5.13%向上することを示す。
論文参考訳（メタデータ） (2023-08-11T09:36:31Z)
GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。 GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
論文参考訳（メタデータ） (2023-02-01T17:29:43Z)
Selection by Prediction with Conformal p-values [7.917044695538599]
本研究では,未観測結果がユーザ指定値を超える候補を選択するためのスクリーニング手順について検討する。本研究では,任意の予測モデルをラップして候補のサブセットを生成する手法を開発した。
論文参考訳（メタデータ） (2022-10-04T06:34:49Z)
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)
Active Learning-Based Optimization of Scientific Experimental Design [1.9705094859539976]
Active Learning(AL)は、ラベル付きトレーニングインスタンスを少なくすることで、より精度の高い機械学習アルゴリズムである。本稿では,提案したALスキームを用いた薬物応答データセットの振り返り研究を行う。これは、手動で設定するのではなく、科学的な実験設計がALによって最適化可能であることを示している。
論文参考訳（メタデータ） (2021-12-29T20:02:35Z)
Uncertainty Quantification Using Neural Networks for Molecular Property Prediction [33.34534208450156]
複数の相補的な性能指標を用いて,5つのベンチマークデータセット上で複数の手法を体系的に評価した。テストしたどのメソッドも他のどのメソッドよりも絶対的に優れているわけではなく、複数のデータセットにまたがって特に信頼性の高いエラーランキングを生成するものもありません。我々は,既存の技術が他とよく関係しているように見えるものについて,実践的な勧告で結論付けている。
論文参考訳（メタデータ） (2020-05-20T13:31:20Z)

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。