PulseAugur
中
实时 10:28:53

研究揭示分子机器学习拆分约定中的缺陷

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇题为“Critical Mass: Structure-Disjoint Splits Drift With the Libraries They Are Built On”的新研究论文强调了分子机器学习中一个重要的问题。研究表明，用于评估分布外性能的结构不相交拆分（structure-disjoint splits）的常用做法存在缺陷。这种依赖于固定距离阈值的方法是基于一个较小的数据集建立的，并且无法有效地扩展到当前更大得多的公共库。该研究提出了一种优化方法，在保持数据完整性的同时显著降低了计算复杂度，并发现当前的拆分约定会导致基准测试将结构新颖性与外推到更复杂的化学结构混淆。 AI

影响 强调了当前分子机器学习基准测试中潜在的不准确性，表明需要修订评估方法。

排序理由 该集群包含一篇详细介绍机器学习新发现和提出方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

研究揭示分子机器学习拆分约定中的缺陷

本文如何被排名

Signal score
11 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
该集群包含一篇详细介绍机器学习新发现和提出方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration
Single-source cluster
Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics
paper, model release
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
Same-day
Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Tomo Oga, Devesh Shah, Cailum M. K. Stienstra, Gabriel Asher, Antonio H. de O. Fonseca, Niall O'Connor, Michael Widrich ·

    关键质量：结构无关的分裂与它们所依赖的库一同漂移

    arXiv:2610.12694v1 Announce Type: new Abstract: Molecular machine learning evaluates out-of-distribution performance with structure disjoint splits, a construction rule fixed once at the scale its library happened to have: threshold a pairwise distance, then assign whole connecte…

相关实体

相关话题