# 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.