研究人员发现，在药物发现中用于量化模型可靠性的边际一致性预测方法存在一个重大问题。研究表明，在不平衡数据集上，该方法未能为少数类提供足够的覆盖率，使它们面临更高的误分类风险。这个问题存在于各种模型架构中，包括随机森林、图神经网络和化学语言模型。提出的类条件一致性预测方法有效地解决了这种覆盖不足的问题，恢复了少数类的可靠性，并提高了筛选活动的整体效用。 AI
影响 凸显了人工智能在药物发现可靠性方面的一个关键缺陷，可能影响筛选过程的安全性和效率。
排序理由 该集群包含一篇学术论文，详细介绍了在特定机器学习应用中的一项新发现和提出的解决方案。
- benzene
- Chemical language models for de novo drug design: Challenges and opportunities
- Class-Conditional Conformal Prediction
- Graph Networks for Materials Exploration
- Marginal Conformal Prediction
- Muhammadjon Tursunbadalov
- pyridine
- random forest
- Conformal prediction
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
