附录A · 速查
⏱ 10 分钟 · 按问题查表,不需要从头读完。数值是对应章节的小实验记录,不是领域通用阈值。
🎯 一句话
查一个结果时,同时查它的输入、比较对象和结论边界。 能复现一个数字,不代表可以把它推广到所有蛋白、分子或模型。
📊 一、实验数字与它真正支持的结论
所有实验的完整程序与条件在各行的出处。除另有明确说明外,这里比较的是合成数据或人工规则,不是现成模型在真实蛋白任务上的成绩。
特征、样本量与表示
| 出处 | 实验设置与记录 | 应怎样读 |
|---|---|---|
| 01 | 450 条,加疏水性特征:R² 0.319 → 0.515 | 这组数据上有帮助,不是所有先验的固定收益 |
| 01 | 900 条纯 one-hot:0.535 | 与 450 条加特征接近,不代表普遍“兑换率” |
| 01 | 1800 条,两种设置均显示 0.705 | 三位小数相同,不是预测或分数严格一致 |
| 01 | 3600 条约 0.748;7200 条约 0.773 | 原四行结果没有证明已经达到上限 |
| 02 | 随机两条相同率 0.05;最近邻 0.71;有至少 50% 近亲的占 100% | 属于本例生成方式与比较样本,不是所有序列库的比例 |
| 02 | 200 残基,示例子词切分平均 113.9 token | 要看词表与数据,不能固定换算残基和 token |
| 06 | 20 条标签:one-hot 0.374,冻结表示 0.696 | 冻结表示来自合成无标签数据的 PCA,不是真实蛋白预训练 |
| 06 | 3000 条:0.878 vs 0.884 | 本次结果接近,不保证预训练永远只改变学习速度 |
相关性与几何
| 出处 | 实验设置与记录 | 应怎样读 |
|---|---|---|
| 03 | 三对人工耦合互信息约 3.5 bit;其余 777 对平均 0.066 bit | 约五十倍量级差,验证的是人工耦合规则,不是真实接触 |
| 03 | 间接关联 2.973 bit,排名第三;背景位置对 0.085 bit | 约 35 倍,仍不能凭互信息判定直接耦合;0.085 不是上一实验的背景均值 |
| 04 | MDS 距离矩阵误差 1.07e-14;未对齐坐标差 23.145 | 距离恢复好不代表坐标逐元素一样,也不排除一般情况下的镜像歧义 |
| 04 | 本例刚体对齐后误差 8.88e-15 | 这是此例的浮点误差量级,不是所有结构任务的误差阈值 |
| 05 | 64 倍增强:坐标模型 RMSE 0.6521 → 0.3924;距离模型显示 0.1592 | 对照的是本例固定模型与增强方式;显示未变不等于逐字节相同 |
| 05 | 32 个朝向预测 std 0.1861;测试目标 std 0.7182(测试均值参照 RMSE) | 两个统计对象不同,不能相除后当作“朝向噪声占比” |
泛化与下一次实验
| 出处 | 实验设置与记录 | 应怎样读 |
|---|---|---|
| 07 | 随机划分 R² 0.707;按家族划分 −1.199 | 同总体新样本与新家族是不同预测目标 |
| 07 | 正则参数 1 → 100:约 −1.20 → −0.248 | 本次仍低于 R² 为 0 的参照,不能靠调参替代合适的评测目标 |
| 08 | 8 个种子,每次 25 轮:贪心 2/8 成功,UCB(κ=2)8/8 成功,成功运行平均第 7 轮 | 成功指新点进入网格最优点 0.15 邻域;不是精确找到连续全局最优,也不是未来成功率保证 |
🚦 二、把症状当作排查入口
| 观察 | 可能原因 | 下一步对照 |
|---|---|---|
| 加特征后提高 | 信息、表示或正则化改变;也可能泄漏 | 重复种子,检查特征是否用了未来信息;01 |
| 特征收益小,加数据仍提高 | 特征可能冗余,样本仍有帮助 | 比较学习曲线和波动;01、06 |
| 加数据也不明显提高 | 表达、优化、噪声或评估精度受限 | 分别改变一个因素,不直接宣布模型已到上限;01 |
| 分数好得可疑 | 近重复、任务较容易或指标口径不同 | 先核对目标,再查组间重叠;07 |
| 标签只有几十条 | 估计方差大,调参也易过拟合 | 比较简单基线、冻结表示与受控微调;06 |
| 输出涉及几何 | 允许的变换与损失不匹配 | 检查坐标框架、对齐、不变特征或等变结构;04、05 |
| 候选总在一个区域 | 可能探索不足,也可能不确定性失准 | 比较探索参数、覆盖范围和新实验误差;08 |
⛔ 三、哪些条件不能省
| 需要避免的做法 | 为什么或什么时候有问题 | 去哪核对 |
|---|---|---|
| 要预测新家族,却让近亲跨训练与测试 | 评估目标与划分不匹配;不是一律禁止随机划分 | 07 |
| 测试按组分,调参验证却不匹配目标 | 模型选择仍可能偏向熟悉家族 | 07 |
| 分组阈值、覆盖度、相同率定义与方法需一起报告;必要时查跨集近邻 | 30% 与 90% 阈值可能构造不同难度,不能直接比较 | 07 |
| 朝向本应无关,却直接惩罚未对齐坐标 MSE | 损失可能惩罚几何等价结果;坐标预测本身合法 | 04 |
| 用最大互信息直接断言真实接触 | 间接相关、采样等因素也能产生大值 | 03 |
| 少标签全量微调,却没有基线和独立验证 | 过拟合与选择偏差风险大,不是所有微调都禁止 | 06 |
| 随便换残基,却仍沿用旧标签 | 变化可能改变目标,增强是否保标签必须论证 | 05、06 |
| 批量挑 top-N,却不检查相似性与冗余 | 多次实验可能集中在相似候选,不保证买到同样多的新信息 | 08 |
| 只用模型挑出的新数据评估整体表现 | 选择机制改变分布;可用于对应目标,但不能冒充无偏总体评估 | 08 |
| 挑测试分数最好的一种划分来报告 | 测试集参与选择,使结果偏乐观 | 06 |
🧪 四、按预测目标设计划分
- 先写清将来要预测同总体样本、新家族、新批次还是未来时间。
- 如果需要家族外推,定义分组或相似度聚类,再让训练、验证、测试体现分离。
- 报告分组来源、聚类方法、相同率定义、阈值、覆盖度与跨集近邻检查;不同划分回答不同问题。
- 测试集留作最后核验,不按测试分数反复选择模型与划分。
数据这一关 · 分组泄漏里的用户分组是相邻例子,不是完全相同的数据条件。科学数据有时提供家族标签,有时需要自己定义相似度分组,不能统一说“没有这一列”。
🗓️ 五、复跑与时效
这些数值用于核对合成实验。软件版本、随机数实现、浮点误差和硬件会影响末位或耗时;复跑差异见对应章节,不把“原稿记录”当作跨环境必须一致的标准答案。
选择预训练模型时,重新检查版本、任务、许可证与评测条件。先做冻结表示的基线是一种低成本起点,不是永远不许微调的规则。
🔗 这一章连到哪里
| 去哪 | 为什么 |
|---|---|
| 00 · 入口 | 按当前问题选择章节 |
| 07 · 评测 | 核对划分目标与外推范围 |
| 数据 · 泄漏 | 区分共享机制与具体分组条件 |
| 数据 · 主动学习 | 比较如何选下一条标签 |
| 强化学习 · 探索利用 | 理解探索参数的作用和条件 |