Die Bewertung der Out-of-Distribution-Leistung im molekularen maschinellen Lernen erfolgt häufig über struktur-disjunkte Splits. Diese Konstruktionsregel wurde einst anhand von 29.000 Molekülen festgelegt: Man schneidet einen paarweisen Distanzschwellwert und weist zusammenhängende Komponenten Folds zu. Für die Vorhersage von Strukturen aus Massenspektren hat sich dabei Single-Linkage-Clustering unter der myopischen Maximum-Common-Edge-Subgraph-Distanz (MCES) mit Schwellwert 10 etabliert. Inzwischen umfassen öffentliche Bibliotheken 227.690 Moleküle. Da MCES pro Paar NP-schwer ist und die Paarzahl quadratisch wächst, wurde das Kriterium in dieser Größenordnung nie evaluiert. Die Autoren schlagen eine optimierte Version vor: Zulässige Schranken und ein Union-Find-Skip reduzieren die $2{,}6 \times 10^{10}$ Molekülpaare auf nur $1{,}15 \times 10^{7}$ ganzzahlige Programme – eine Ersparnis um den Faktor $2{,}259$ – bei beweisbar verlustfreier Partition. In diesem Maßstab perkolierte der Graph: Eine einzige Komponente enthält $95{,}5\,\%$ der Bibliothek und begrenzt jede Testmenge auf $4{,}5\,\%$. Was übrig bleibt, ist nicht nur kleiner, sondern systematisch anders: Ein zurückgehaltenes Molekül ist in $88{,}1\,\%$ der Fälle schwerer als ein Trainingsmolekül, weil ein fester absoluter Schwellwert bei größeren Molekülen eine engere relative Toleranz darstellt. Große Benchmarks, die diese Splitting-Regel naiv verwenden, vermischen daher strukturelle Neuheit mit der Extrapolation auf größere, komplexere Chemie.
Hintergrund: Struktur-disjunkte Splits sollen sicherstellen, dass Trainings- und Testmoleküle keine ähnlichen Strukturen teilen, um realistischere Vorhersagen zu ermöglichen.
📄 Quelle
📄 Original-Publikation 📄 Original-Publikation 📄 Original-Publikation
🧪 Verwandte Rechner
Mit diesen interaktiven Werkzeugen können Sie das Thema vertiefen:
🔬 ph-rechner → 🔬 stoechiometrie-rechner → 🔬 molekuel-studio → 🔬 uebungsgenerator →