論文の概要: Not All Unlabeled Data Are Equal: Unlabeled Data Selection for Semi-Supervised QSAR Modeling with Large Chemical Repositories

• arxiv url: http://arxiv.org/abs/2610.22025v1
• Date: Thu, 15 Oct 2026 15:04:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.139163
• Title: Not All Unlabeled Data Are Equal: Unlabeled Data Selection for Semi-Supervised QSAR Modeling with Large Chemical Repositories
• Title（参考訳）: ラベルなしデータはすべて同じではない:大規模ケミカルレポジトリを用いた半スーパービジョンQSARモデリングのためのラベルなしデータ選択
• Abstract要約: ラベルの取得にコストがかかるドメインではセミ教師あり学習が魅力的だが、ラベルなしのサンプルはすぐに利用できる。 化学構造から分子生物学的活性を予測する量的構造-活性関係(QSAR)モデリングはそのような領域である。 我々は,ChEMBLから抽出した10個のQSARデータセットと40,000以上の未標識分子のプールを用いて,ラベルなしデータ選択の系統的研究を行った。
• 参考スコア（独自算出の注目度）: 2.8891834214263885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised learning (SSL) is particularly attractive in domains where labels are expensive to obtain, while unlabeled examples are readily available. Quantitative Structure-Activity Relationship (QSAR) modeling, which predicts molecular biological activity from chemical structure, is one such domain. Obtaining activity measurements requires costly wet-lab experiments, resulting in small labeled datasets, while chemical repositories such as ChEMBL contain millions of unlabeled molecules. Despite this apparent suitability, the potential of large chemical databases to improve QSAR models via SSL remains largely unexplored. Furthermore, it is unclear how unlabeled data should be selected in realistic SSL settings with genuine unlabeled data. We conduct a systematic study of unlabeled-data selection using 10 QSAR datasets extracted from ChEMBL and a pool of more than 400,000 unlabeled molecules. To this end, we evaluate three established SSL algorithms (self-training, co-training, and label propagation) and formulate four unlabeled-data selection strategies based on random, nearest-neighbor, furthest-neighbor, and mixed sampling. Our results show that unlabeled data from large chemical repositories can improve QSAR models, with at least one SSL configuration outperforming the supervised baseline on each of the 10 datasets. Moreover, the most reliable improvements are generally achieved by selecting a relatively small number of chemically distant molecules. This suggests that the composition of the unlabeled set may be more important than its size, challenging the common premise that SSL necessitates an abundance of unlabeled data.
• Abstract（参考訳）: 半教師付き学習(SSL)は、ラベルが取得に高価であるドメインでは特に魅力的だが、ラベルなしの例はすぐに利用できる。 化学構造から分子生物学的活性を予測する量的構造-活性関係(QSAR)モデリングはそのような領域である。 活性測定を行うには、コストのかかるウェットラブ実験が必要であり、その結果小さなラベル付きデータセットが得られ、ChEMBLのような化学レポジトリには数百万の未ラベル分子が含まれている。 この明らかな適合性にもかかわらず、SSLによるQSARモデルを改善するための大規模な化学データベースの可能性はほとんど解明されていない。 さらに、本当のラベルのないデータを使って、リアルなSSL設定でラベルのないデータがどのように選択されるべきかは定かではない。 我々は,ChEMBLから抽出した10個のQSARデータセットと40,000以上の未標識分子のプールを用いて,ラベルなしデータ選択の系統的研究を行った。 この目的のために、我々は、SSLアルゴリズム(自己学習、共学習、ラベル伝搬)を3つ評価し、ランダム、最寄り、最寄り、Farthest-nebor、混合サンプリングに基づく4つのラベルなしデータ選択戦略を定式化する。 以上の結果から,大規模ケミカルレポジトリのラベルなしデータによりQSARモデルが改善され,少なくとも1つのSSL構成が10データセットの教師付きベースラインを上回っていることがわかった。 さらに、最も信頼性の高い改善は、比較的少数の化学的に離れた分子を選択することで達成される。 これは、ラベルなし集合の構成がサイズよりも重要であることを示唆しており、SSLがラベルなしデータの豊富さを必要とするという共通の前提に異議を唱えている。

関連論文リスト

• Integrating Distribution Matching into Semi-Supervised Contrastive Learning for Labeled and Unlabeled Data [1.0312968200748116]
  半教師付きコントラスト学習(SSL)は、少量のラベル付きデータと大量のラベル付きデータとが共存するシナリオにおいて非常に関係がある。 本研究の目的は,ラベル付きとラベルなしの機能埋め込みの分散マッチングを組み込むことにより,擬似ラベルベースのSSLを強化することである。
  論文  参考訳（メタデータ） (2026-01-08T02:32:12Z)
• Semi-Supervised Sparse Gaussian Classification: Provable Benefits of Unlabeled Data [6.812609988733991]
  高次元ガウス分類のためのSSLについて検討する。 正確な特徴選択のための情報理論の下限を解析する。 理論的解析を補完するシミュレーションを提案する。
  論文  参考訳（メタデータ） (2024-09-05T08:21:05Z)
• ScholarChemQA: Unveiling the Power of Language Models in Chemical Research Question Answering [54.80411755871931]
  質問回答(QA)は、言語モデルの推論と知識の深さを効果的に評価する。 化学QAは、複雑な化学情報を理解しやすい形式に効果的に翻訳することで、教育と研究の両方において重要な役割を担っている。 このデータセットは、不均衡なデータ分散や、潜在的に有用である可能性のあるかなりの量の未ラベルデータを含む、典型的な現実世界の課題を反映している。 収集したデータを完全に活用して,化学的な問題に効果的に答えるQAMatchモデルを提案する。
  論文  参考訳（メタデータ） (2024-07-24T01:46:55Z)
• Generalized Semi-Supervised Learning via Self-Supervised Feature Adaptation [87.17768598044427]
  従来の半教師付き学習は、ラベル付きデータとラベルなしデータの特徴分布が一貫したものであると仮定する。 本稿では,ラベル付きおよびラベルなしデータの分散によるSSL性能向上のための汎用フレームワークであるセルフ・スーパービジョン・フィーチャー・アダプテーション(SSFA)を提案する。 提案するSSFAは擬似ラベルベースのSSL学習者に適用可能であり,ラベル付き,ラベルなし,さらには目に見えない分布における性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-05-31T03:13:45Z)
• Complementing Semi-Supervised Learning with Uncertainty Quantification [6.612035830987296]
  そこで本研究では,アレータ性およびてんかん性不確実性定量化に依存する,教師なし不確実性認識の新たな目的を提案する。 CIFAR-100やMini-ImageNetのような複雑なデータセットでは,結果が最先端の成果よりも優れています。
  論文  参考訳（メタデータ） (2022-07-22T00:15:02Z)
• Pseudo-Labeled Auto-Curriculum Learning for Semi-Supervised Keypoint Localization [88.74813798138466]
  オブジェクトのキーポイントのローカライズは、基本的な視覚的問題である。 キーポイントローカライゼーションネットワークの教師付き学習は、しばしば大量のデータを必要とする。 本稿では,一連の動的しきい値を持つ信頼度の高い擬似ラベルサンプルを自動的に選択する。
  論文  参考訳（メタデータ） (2022-01-21T09:51:58Z)
• Relieving the Plateau: Active Semi-Supervised Learning for a Better Landscape [2.3046646540823916]
  semi-supervised learning (ssl) はラベル付きデータよりもアクセスしやすいラベルなしデータを活用する。 active learning (al)は、ラベルなしのインスタンスを選択して、ラベル付きデータの少ないパフォーマンスを期待する。 本稿では,ラベル付き集合を含む問題条件を改善するためにラベル付きデータを選択するALアルゴリズムである収束率制御(CRC)を提案する。
  論文  参考訳（メタデータ） (2021-04-08T06:03:59Z)
• Self-Tuning for Data-Efficient Deep Learning [75.34320911480008]
  セルフチューニングは、データ効率のよいディープラーニングを可能にする新しいアプローチである。 ラベル付きおよびラベルなしデータの探索と事前訓練されたモデルの転送を統一する。 SSLとTLの5つのタスクをシャープなマージンで上回ります。
  論文  参考訳（メタデータ） (2021-02-25T14:56:19Z)
• In Defense of Pseudo-Labeling: An Uncertainty-Aware Pseudo-label Selection Framework for Semi-Supervised Learning [53.1047775185362]
  Pseudo-labeling (PL) は一般的な SSL アプローチで、この制約はありませんが、当初の処方では比較的不十分です。 PLは不整合モデルからの誤った高い信頼度予測により性能が低下していると論じる。 そこで本研究では,疑似ラベリング精度を向上させるための不確実性認識型擬似ラベル選択(ups)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-15T23:29:57Z)

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。