Komprimieren, nicht auswendig lernen
Wir streben nach kompakten Mechanismen, die wie die Gesetze der Physik aussehen, nicht nach Einbettungen, die wie die Daten aussehen.
Wissenschaftswerkzeuge
Holobiont
Komprimierung der physikalischen Gesetze unterhalb der Proteindynamik zu physikalisch invarianten Signalen.
Die Invariante finden, nicht die Nachschlagetabelle
Holobiont ist ein Wissenschaftsprogramm, das um eine bestimmte Idee herum aufgebaut ist: Unterhalb der Proteindynamik liegen physikalisch invariante Signale, die sich besser komprimieren lassen als jede Menge an Auswendiglernen. Wir verfolgen diese Signale, prüfen sie schonungslos gegen Retrieval-Achsen-Leckage und veröffentlichen die Negativergebnisse, wenn sich ein attraktives Merkmal als Messartefakt herausstellt.
die meisten Pipelines
fügen Merkmale hinzu, bis sich das Leaderboard bewegt, und liefern das Leaderboard aus, selbst wenn der Zugewinn ein strukturelles Artefakt ist.
holobiont
verzerrt die Pipeline hin zu Merkmalen, die wie Physik aussehen — kompakt, invariant, prüfbar — und mustert den Rest aus, bevor er in die Produktion gelangt.
Drei Verpflichtungen
Retrieval-Achsen auf Leckage prüfen
Vorab berechnete Retrieval-Achsen sind notorisch anfällig dafür, Test-Labels durchsickern zu lassen. Standardmäßig setzen wir auf verschachtelte Kreuzvalidierung und melden Leckage-Budgets explizit.
Veröffentlichen, was nicht funktioniert
Wo eine Merkmalsklasse die Leistung beeinträchtigt, sobald die Leckage entfernt ist, sagen wir das. Das Produkt ist der Mechanismus, nicht das Leaderboard.
Wo eine verlockende Merkmalsklasse still und leise negativ wird
Spaltenstatistiken — Shannon-Entropie und Aminosäurefrequenz — wirken bei geringer Abdeckung attraktiv. Jenseits eines Abdeckungsbudgets etwa in der Mitte des Diagramms beginnen sie, dem besten Schätzer zu schaden. Wir haben sie für den Produktiveinsatz ausgemustert.
Was Holobiont entschieden hat
Jede Entscheidung ist eine gemessene Aussage, keine Marketing-Aussage. Wo ein Ergebnis geschadet hat, leben das Ergebnis und die Ausmusterung auf der Seite fort.
-
D15.1 Retrieval-Achsen-Leckage quantifiziert
Ein großer Teil des Zugewinns eines scheinbar starken Merkmals war auf Leckage durch vorab berechnete k-NN-Achsen zurückzuführen. Die Methodik wurde entsprechend verschärft.
D15.1 83 % des scheinbaren Zugewinns waren Retrieval-Achsen-Leckage -
D22 Konservierungsmerkmale bei Abdeckung ausgemustert
Shannon- und Frequenz-Spaltenstatistiken schadeten unserem besten Schätzer jenseits eines bestimmten Abdeckungsbudgets. Wir haben sie für den Produktiveinsatz ausgemustert und die Erkundung von Direct-Coupling-Paaren fortgesetzt.
D22 Δρ −0.0382 beim besten Schätzer oberhalb der Abdeckungsklippe -
Heute Mechanismus-orientierte Merkmals-Pipeline
Die aktuelle Pipeline ist auf Merkmale ausgerichtet, die wie Physik aussehen. Jeder Kandidat verfügt über ein explizites Leckage-Audit und ein explizites Abdeckungsbudget, bevor er ausgeliefert wird.
today physics-shaped nur Merkmale, mit explizitem Leckage-Audit
Warum dies ein eigenständiges Programm ist
Die Proteindynamik ist der naheliegende Ort, um die Idee „Komprimieren statt Auswendiglernen“ unter Druck zu setzen. Holobiont ist der Ort, an dem wir diesen Druck ausüben — und an dem wir bereits Merkmale ausgemustert haben, die attraktiv wirkten, das Audit aber nicht überstanden.
Querschnitte
Holobiont ist der Ort, an dem die Idee „Komprimieren statt Auswendiglernen“ einem Stresstest unterzogen wird
Das mechanismus-orientierte Audit reist durch unsere Forschungsprogramme — von der Evaluierungsdisziplin bis hin zur Alignment-Haltung. Wo ein Merkmal hier nicht übersteht, wird es nirgendwo ausgeliefert.