| # 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. |
|
|
