論文の概要: Reaction precedents extend retrosynthetic prediction beyond training coverage

• arxiv url: http://arxiv.org/abs/2610.40249v1
• Date: Thu, 29 Oct 2026 15:19:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.104021
• Title: Reaction precedents extend retrosynthetic prediction beyond training coverage
• Title（参考訳）: 反応の前例は訓練範囲を超えて逆合成予測を延長する
• Abstract要約: モデルパラメータを固定した検索コーパスのみを拡張した。 トレーニングから除外された変換では、Top-1の精度は歴史的テストセットで13.0%から58.0%に向上した。 時間的カバレッジギャップでは、検索の拡張により、2017年以前のレコードでトレーニングされたモデルと、2025年以前の両方のテストセットでトレーニングされたレコードでトレーニングされた非検索モデルとの一致または超過を可能にした。
• 参考スコア（独自算出の注目度）: 65.65166127158047
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reaction precedents guide retrosynthesis, but how far they can compensate for gaps in task-specific training coverage remains unclear. Using 2.71 million reactions, we restricted training and retrieval coverage by transformation or time, then expanded only the retrieval corpus with model parameters fixed. For transformations excluded from training, mean Top-1 accuracy increased from 13.0% to 58.0% on a historical test set and from 4.9% to 23.1% on a temporally held-out test set. For temporal coverage gaps, retrieval expansion enabled a model trained on records before 2017 to match or exceed a non-retrieval model trained on records before 2025 on both test sets. Without task-specific fine-tuning, precedents improved all 14 representative general-purpose models on both test sets and USPTO-50K; the strongest with precedents surpassed all eight representative specialized models. These findings show that inference-time reaction precedents can extend retrosynthetic prediction beyond task-specific training coverage without parameter updates.
• Abstract（参考訳）: 反応の前例は再合成を導くが、それがどの程度タスク固有の訓練カバレッジのギャップを補うことができるのかは不明だ。 我々は270万の反応を用いて、変換や時間によるトレーニングと検索のカバレッジを制限し、モデルパラメータを固定した検索コーパスのみを拡張した。 トレーニングから除外された変換では、Top-1の精度は、過去のテストセットでは13.0%から58.0%に、一時的なテストセットでは4.9%から23.1%に向上した。 時間的カバレッジギャップでは、検索の拡張により、2017年以前のレコードでトレーニングされたモデルと、2025年以前の両方のテストセットでトレーニングされたレコードでトレーニングされた非検索モデルとの一致または超過を可能にした。 タスク固有の微調整がなければ、前例はテストセットとUSPTO-50Kの両方で14の汎用モデルをすべて改善した。 これらの結果から, 推論時反応の前例は, パラメータ更新を伴わずに, タスク固有の訓練範囲を超えて再合成予測を拡張できることが示唆された。

関連論文リスト

• Historical-Feature Residual Adaptation for Sequential Screening [4.656188767198098]
  収集時間残差適応について検討する: 固定された歴史的特徴から構築され、フィードバックが発覚する前に記録されたベーススコアに固定された小さなランキング補正を行う。 その結果, 基礎モデルに依存した利得を有する独立非線形ベースへの効果的な事前学習・政策適応と有効移行が示された。
  論文  参考訳（メタデータ） (2026-10-13T23:57:28Z)
• RAP-WAM: Learning World-Action Models through Predictive Rehearsal and Action Perturbations [45.16816691251336]
  RAP-WAMは、パーターブとアクション摂動(RAP)と将来の生成とクエリを組み合わせた、ポリシー学習のための結合されたアクション投影(Coupled Action Projection)である。 予測的リハーサルは、記録された目標を保持しながらモデル生成入力を訓練し、繰り返し発生するエラーを空間的事前に蓄積する。 個別のスコアリングネットワークやデプロイメントタイムプローブは不要である。
  論文  参考訳（メタデータ） (2026-10-12T09:09:21Z)
• Single-step Retrosynthesis via Reinforcement Learning from Forward Feedback [17.74766587422697]
  単段階の逆合成は1対多の逆問題であるが、ほとんどのモデルは単一の記録された反応集合に対して訓練され評価される。 本稿では,RetroRLFFを提案する。RetroRLFFは参照一致と対象製品との前方整合の両方を用いて反応生成を最適化する。 USPTO-50Kでは、RetroRLFFは候補レベルのラウンドトリップ精度がk = 1, 3, 5, 10で14のベースライン全てを上回っている。
  論文  参考訳（メタデータ） (2026-10-10T19:37:17Z)
• Accuracy Is Not Service: A Decision-Aware Benchmark for Intermittent-Demand Forecasting [4.1751058176413105]
  古典的、断続的、機械学習、ディープラーニング、事前訓練された基礎モデルにまたがる38の予測手法をベンチマークした。 予測精度ランクと注文サービスランクは、20,330の実際のマルチイテムオーダーで評価された手法に対して、工業パネルにおいて-0.555で負の相関関係を持つ。 断続的な需要に対しては、最も低いエラー予測は最高のサービスを提供する必要はない。
  論文  参考訳（メタデータ） (2026-09-12T09:51:30Z)
• REER-PT: Reverse-Engineered Reasoning for Perplexity-Guided Pre-training Data Augmentation [64.84437332310516]
  我々は,Reverse-Engineered Reasoning (REER) を生の事前学習データに拡張するスケーラブルなフレームワークである textbfREER-PT を紹介する。 REER-PTは予測が難しいが、それ以前のコンテキストから推論できる継続を識別し、コンテキストと継続の間の欠落した接続を再構築する簡潔な推論アノテーションを挿入する。 このスパース変換は、ソーステキストを保存し、トレーニング前のオンライン推論ロールアウトを避けることで、標準的な次世代の予測と互換性を維持します。
  論文  参考訳（メタデータ） (2026-08-31T11:34:19Z)
• TEMPO: Scaling Test-time Training for Large Reasoning Models [87.61789183311856]
  テストタイムトレーニング(TTT)は、推論時間中にラベルのないテストインスタンスにモデルパラメータを適用する。 TTTフレームワークであるTEMPOを提案する。これは、ラベル付きデータセット上で定期的な批評家の再検討を行い、ラベル付き質問に対するポリシー修正をインターリーブする。
  論文  参考訳（メタデータ） (2026-04-21T10:01:04Z)
• Speech-FT: Merging Pre-trained And Fine-Tuned Speech Representation Models For Cross-Task Generalization [51.56024241398741]
  微調整された音声表現モデルは、特定のタスクのパフォーマンスを向上させることができるが、しばしばタスク間の一般化能力を損なう。 微調整中の重量変化の規則化のような既存のアプローチは、事前訓練されたモデルと十分に高い特徴的類似性を維持できない可能性がある。 本研究では,2段階のファインチューニングフレームワークであるSpeech-FTを提案する。
  論文  参考訳（メタデータ） (2025-02-18T09:23:42Z)
• Improving Passage Retrieval with Zero-Shot Question Generation [109.11542468380331]
  オープンな質問応答における経路検索を改善するための,シンプルで効果的な再ランク付け手法を提案する。 再ランカは、学習済み言語モデルを用いて、検索されたパスに条件付けられた入力質問の確率を算出するゼロショット質問生成モデルを用いて、検索されたパスを再スコアする。
  論文  参考訳（メタデータ） (2022-04-15T14:51:41Z)
• Domain-matched Pre-training Tasks for Dense Retrieval [68.07140087626637]
  モデルサイズがますます大きくなる大規模データセットでの事前トレーニングは、ほぼすべてのNLPタスクのパフォーマンス向上のための実証済みのレシピである。 適切な事前トレーニング設定で、この障壁を克服できることが示されています。 1)最近リリースされた6500万の合成された質問セットと、既存のReddit会話のデータセットから2億のポストコメンデーションペアをトレーニングすることで、これを実証する。
  論文  参考訳（メタデータ） (2021-07-28T19:13:00Z)

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。