DrugOOD: 基于 AI 辅助药物发现的 Out-of-Distribution（OOD）数据集管理及评估系统 —— 聚焦带噪声标注的亲和力预测问题

Jan, 2022

DrugOOD: 基于 AI 辅助药物发现的 Out-of-Distribution（OOD）数据集管理及评估系统 —— 聚焦带噪声标注的亲和力预测问题

DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise Annotations

PDF

Yuanfeng Ji, Lu Zhang, Jiaxiang Wu, Bingzhe Wu, Long-Kai Huang...

TL;DR该论文提出了 DrugOOD，一个系统性的 OOD 数据集策划和 AI 辅助药物研究基准，用于药物靶向结合亲和力预测的模型性能测试，并且也是图形 OOD 学习问题的有价值的测试平台。

Abstract

ai-aided drug discovery (AIDD) is gaining increasing popularity due to its promise of making the search for new pharmaceuticals quicker, cheaper and more efficient. In spite of its extensive use in many fields, such as ADMET prediction, virtual screening, protein folding and generative

ai-aided drug discovery ood learning drugood drug target binding affinity prediction graph ood learning

发现论文，激发创造

ADMEOOD: 药物性质预测的超出分布基准

该研究提出了一种针对药物属性预测的系统的 OOD 数据集整理器和基准 ADMEOOD，其中包括噪声转移和概念冲突漂移两种 OOD 数据转移方式，并经过多个领域泛化模型测试，实验结果表明 ADMEOOD 在分布内和分布外数据上有明显不同的性能表现，ERM 和其他模型在不同领域和测量类型上展现出不同的趋势。

Oct, 2023

分子图中优化 OOD 检测：利用扩散模型的新方法

通过采用基于辅助扩散模型的框架，我们提出一种检测异常分子的方法，其中比较输入分子和重构图之间的相似性，并通过生成模型中的迭代去噪过程以有效量化匹配度，构建符合正常分子但远离异常分子的典型图，并使用高效可扩展的异常检测器，比较测试样本与预先构建的典型图之间的相似度并省略每个新分子的生成过程。

Apr, 2024

OpenOOD v1.5: 增强版的 Out-of-Distribution 检测基准

本研究介绍了 OpenOOD v1.5，它是 OpenOOD v1 的显著改进，旨在确保精确、标准化和用户友好的 Out-of-Distribution 检测方法评估。OpenOOD v1.5 将其评估能力扩展到大规模数据集，研究全谱 Out-of-Distribution 检测，并引入了在线排行榜和易于使用的评估器等新功能，从而为 OOD 检测研究提供更加稳健和全面的评估基准。

Jun, 2023

OpenOOD: 广义越界检测基准测试

本文提出了一个名为 OpenOOD 的统一的、结构化的代码库，该库实现了超过 30 种 ODD 检测方法，并在最近提出的一般化 OOD 检测框架下提供了全面的基准。作者通过对这些方法的全面比较发现，过去几年中，该领域取得了显著进展，其中预处理方法和正交后处理方法显示出很强的潜力。

Oct, 2022

NODI: 带有扩散噪声的离群检测

采用扩散过程将提供整个训练集的信息纳入预测的噪声向量中，并推导出噪声向量的闭合解，将噪声向量转化为用于度量 OOD 的得分。通过在 OOD 基准测试上对比深度模型预测的噪声向量和闭合解噪声向量的表现，我们的方法在所有类型的图像编码器中胜过以前的 OOD 方法，其中使用 MAE-based 图像编码器达到了 3.5％的性能提升，并且通过应用不同类型的图像编码器来研究 OOD 方法的健壮性，我们的方法在所有图像编码器中表现出良好的鲁棒性。

Jan, 2024

在自然环境中训练 OOD 检测器

本文提出了一种基于野外混合数据的新颖框架，旨在改进在野外部署的机器学习模型的 OOD 检测能力，通过最大化 OOD 检测率并设定 ID 数据的分类误差和 ID 示例的 OOD 错误率的约束条件的学习目标，有效地解决了这个问题，并在常见的 OOD 检测任务中获得了优异的性能。

Feb, 2022

不可靠的外部来源下的超出分布检测学习

基于数据生成学习的辅助任务的 OOD 学习（ATOL）是一种强大的方法，可以消除误生成的 OOD 数据，从而使 ID 和 OOD 数据的区分实现真正的 OOD 检测。

Nov, 2023

语义一致的异常检测

通过对抗高水平的对抗攻击在半先验条件下训练生成对抗网络来提高生成数据的多样性和质量。

Aug, 2021

OOD 感知的有监督对比学习

使用 SupCon 训练从训练分布中识别外分布样本是机器学习模型安全部署中的重要问题。我们在这项工作中运用强大的 SupCon 学习表征，并提出了一种全面的方法来学习对 OOD 数据稳健的分类器。我们通过增加两个对比项来扩展 SupCon 损失，第一个项将辅助 OOD 表征与 ID 表征分开，而不对辅助数据的相似性产生任何约束。第二个项将 OOD 特征远离现有类原型，并将 ID 表征推近其对应的类原型。当辅助 OOD 数据不可用时，我们提出了特征混合技术来高效生成伪 OOD 特征。我们的解决方案简单高效，作为闭集监督对比表征学习的自然扩展。我们在常见基准测试中与不同的 OOD 检测方法进行了比较，并展示了最先进的结果。

Oct, 2023

用于识别样本分布外点的似然比

研究讨论了关于基于基因组序列的细菌识别的 out-of-distribution (OOD) inputs 问题，提出了用于深度生成模型的似然比方法来纠正背景统计数据偏差，并在 genomics 数据集上进行了实验。结果表明，我们的方法在 OOD 检测方面取得了最好的性能，并且我们证明了该方法的广泛适用性。

Jun, 2019