docs/PL_modele_i_baseliney.md

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.