File size: 2,527 Bytes
24f6204 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 | # Modele i baseline'y
## random_cost_balanced
- założenie: losowy baseline kosztowo porównywalny
- działanie: losowo wybiera ligandy do final fidelity
- zaleta: prosty punkt odniesienia
- wada: brak chemicznej struktury i brak triage
## diverse_random_cost_balanced
- założenie: losowy, ale z wymuszeniem różnorodności
- działanie: sampling po klastrach / diversity
- zaleta: mocny baseline eksploracyjny
- wada: brak uczenia z danych dockingowych
## cluster_only_triage
- założenie: prosty, silny baseline bez modelu
- działanie: selekcja survivorów tylko po klastrach i diversity
- zaleta: stabilność i niski koszt
- wada: nie wykorzystuje rzeczywistego sygnału dockingowego
## cheap_descriptor_filter_only
- założenie: odrzuca tylko ewidentnie słabe lub problematyczne ligandy
- działanie: deskryptory, ładunek, rozmiar, rotory, sanity
- zaleta: bezpieczny filtr wejściowy
- wada: niski enrichment
## single_fidelity_cost_balanced
- założenie: cały budżet idzie w final fidelity
- działanie: jak najwięcej ligandów od razu na final runs
- zaleta: prosty i uczciwy kosztowo baseline
- wada: brak oszczędności przez early triage
## reference_free_triage_bandit_v1
- założenie: reference-free triage z classifier-first logiką
- działanie: calibration, classifier, controller auto_recall, optional fallback
- zaleta: bezpieczny modelowy triage
- wada: może zatrzymywać zbyt duży survivor pool
## reference_free_active_learning_v2::cluster_bandit
- założenie: aktywne uczenie plus kontrola klastrów
- dane wejściowe:
- deskryptory RDKit
- fingerprinty
- cechy low-fidelity
- cechy klastrowe
- modele:
- top-k classifier
- fixed regressor optional
- outlier-risk
- cluster quality
- selekcja:
- acquisition score
- cluster-bandit
- controller auto_recall
- optional fallback union_with_cluster_only
- zaleta: może poprawić jakość top hits
- wada: jeśli model jest słaby, redukcja kosztu bywa gorsza niż w prostych baseline'ach
## Parametry active learning
- `calibration_size`
- `fidelity_validation_size`
- `triage_target_recall`
- `triage_retain_fraction`
- `adaptive_policy`
- `regressor_contribution_mode`
- `model_fallback_if_worse`
- `survivor_combination_policy`
## Jak interpretować wyniki
Model adaptive jest wart użycia tylko wtedy, gdy:
- poprawia top5 / top10 mean score,
- nie przegrywa kosztowo z `cluster_only_triage` lub `diverse_random_cost_balanced`,
- zachowuje sensowną redukcję,
- nie zwiększa outlierów komponentowych.
|