Nature 子刊：校准指标后，深度学习基因扰动模型可胜过基线
VectorInst · x · 2026-10-02
《Nature Biotechnology》发表简讯：此前有基准报告称深度学习基因扰动预测模型甚至跑不赢无信息基线，但该研究发现问题出在评测本身。
- 作者提出正对照基线与指标校准框架，覆盖 14 个数据集、18 个指标。
- 常用指标（如 MSE、Pearson Δ）普遍存在校准不良，对正向模型性能的敏感性下降。
- 在校准良好的指标下，深度学习扰动模型确实能超越无信息基线。
这是对 2025 年 8 月「深度学习扰动预测不敌简单线性基线」结论的重要修正，属于 AI for Science 中的评测方法论研究。
所属事件:Nature 子刊:校准指标后基因扰动深度学习模型可胜过基线(3 条相关)→
「研究」频道最新
- Local Support Learning:7B 模型免旧数据也能边学新任务边防遗忘 — CatAstro_Piyush · 2026-10-02
- MIT 团队推出透明化界面,设计聊天机器人人格时暴露模型内部状态 — patpat_mit · 2026-10-02
- 第四届英国 AI 会议论文集上线 PMLR,收录注入检测等研究 — lawrennd · 2026-10-02
- 新论文：用训练期内部信号改善对齐且不损白盒监控 — jonasgeiping · 2026-10-02
- Reka 开源 RIDM:从原始视频直接提取相机与电机控制指令 — RekaAILabs · 2026-10-02
- YC Paper Club 探讨 GPU 之外的 AI 算力：光学、神经形态与生物计算 — ycombinator · 2026-10-02