論文の概要: Comparative Strategies for Handling Imbalanced QSAR Regression: A Case Study on hERG Activity Prediction

• arxiv url: http://arxiv.org/abs/2611.01709v1
• Date: Sun, 01 Nov 2026 08:53:54 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:17:08.394954
• Title: Comparative Strategies for Handling Imbalanced QSAR Regression: A Case Study on hERG Activity Prediction
• Title（参考訳）: 不均衡QSAR回帰処理のための比較戦略:hERG活性予測のケーススタディ
• Abstract要約: データ不均衡はQSARモデリングで頻繁に発生する。 データのどの領域が疎密であるかを決定するのは難しい。 データレベルとアルゴリズムレベルの不均衡処理戦略は、モデルのパフォーマンスに異なる影響を与える可能性がある。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Data imbalance frequently occurs in QSAR modeling, yet most studies focus on classification tasks, and few address regression tasks, as it is challenging to determine which regions of the data are sparse or dense. Data-level and algorithm-level imbalance-handling strategies can have different effects on model performance. In this study, we systematically compare various strategies across GCN and fingerprint-based machine learning models. To evaluate model performance more meaningfully, we partitioned the target region into several subregions based on both domain knowledge and data distribution. We focused on the region of greatest practical interest. Our results demonstrate that selecting models based on this interest-region metric leads to more reliable performance than using the total region metric. We also observed that different imbalance-handling strategies can have divergent effects depending on the model type. These findings highlight the importance of region-aware evaluation in regression QSAR modeling and provide practical guidance for selecting appropriate strategies for imbalanced datasets.
• Abstract（参考訳）: データ不均衡はQSARモデリングにおいて頻繁に発生するが、ほとんどの研究は分類タスクに焦点をあてており、データのどの領域が疎密であるかを判断することが難しいため、回帰タスクに対処することはほとんどない。 データレベルとアルゴリズムレベルの不均衡処理戦略は、モデルのパフォーマンスに異なる影響を与える可能性がある。 本研究では,GCNおよび指紋に基づく機械学習モデル間の様々な戦略を体系的に比較する。 モデルの性能をより有意に評価するために、対象領域をドメイン知識とデータ分布の両方に基づいて複数のサブリージョンに分割した。 私たちは最も実践的な関心のある地域に焦点を当てた。 本結果から,この関心領域メトリックに基づくモデル選択が,全領域メトリックよりも信頼性の高い性能をもたらすことが示された。 また, モデルの種類によって, 異なる不均衡処理戦略が相違する可能性があることも見いだした。 これらの結果は、回帰QSARモデリングにおける領域認識評価の重要性を強調し、不均衡なデータセットに対する適切な戦略を選択するための実践的なガイダンスを提供する。

関連論文リスト

• Strategy Executability in Mathematical Reasoning: Leveraging Human-Model Differences for Effective Guidance [86.46794021499511]
  戦略利用と戦略実行可能性の間には、これまで未定のギャップがある。 SSR(Selective Strategy Retrieval)は,実行可能性を明確にモデル化するテストタイムフレームワークである。 SSRは、直接解決、文脈内学習、単一ソースガイダンスよりも信頼性が高く一貫した改善をもたらす。
  論文  参考訳（メタデータ） (2026-02-26T03:34:23Z)
• DIDS: Domain Impact-aware Data Sampling for Large Language Model Training [61.10643823069603]
  大規模言語モデルに対するドメインインパクト対応データサンプリング(DIDS)を提案する。 学習効果に基づくDIDSグループトレーニングデータでは、プロキシ言語モデルと次元削減が使用される。 同等のトレーニング効率を維持しながら平均パフォーマンスを3.4%向上させる。
  論文  参考訳（メタデータ） (2025-04-17T13:09:38Z)
• A Structured Reasoning Framework for Unbalanced Data Classification Using Probabilistic Models [1.6951945839990796]
  本稿では,不均衡データに対するマルコフネットワークモデルについて検討し,分類バイアスとマイノリティクラス認識能力不足の問題を解くことを目的とした。 実験の結果,マルコフネットワークは重み付け精度,F1スコア,AUC-ROCなどの指標で良好に動作することがわかった。 将来の研究は、大規模不均衡なデータ環境における効率的なモデルトレーニング、構造最適化、ディープラーニングの統合に焦点を当てることができる。
  論文  参考訳（メタデータ） (2025-02-05T17:20:47Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• Dist Loss: Enhancing Regression in Few-Shot Region through Distribution Distance Constraint [12.757563335570865]
  Dist Lossは、モデルとターゲットラベルの間の分布距離を最小限に抑えるために設計された損失関数である。 コンピュータビジョンとヘルスケアにまたがる3つのデータセットを対象に実験を行った。
  論文  参考訳（メタデータ） (2024-11-20T16:17:40Z)
• Selecting the suitable resampling strategy for imbalanced data classification regarding dataset properties [62.997667081978825]
  医学、情報検索、サイバーセキュリティ、ソーシャルメディアなどの多くのアプリケーションドメインでは、分類モデルの導入に使用されるデータセットは、各クラスのインスタンスの不平等な分布を持つことが多い。 この状況は不均衡データ分類と呼ばれ、少数民族の例では予測性能が低い。 オーバーサンプリングとアンダーサンプリングの技術は、各クラスの例の数とバランスをとることでこの問題に対処する、よく知られた戦略である。
  論文  参考訳（メタデータ） (2021-12-15T18:56:39Z)

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。