불균형 데이터셋에서의 마진 컨포멀 예측의 한계와 클래스 조건 수정

A Quiet Failure in Calibrated Virtual Screening: Marginal Conformal Prediction Under-Covers the Minority Class, and a Class-Conditional Fix Recovers It

컨포멀 예측은 약물 발견에서 모델 신뢰성을 평가하는 데 사용되며, 선택한 오류율 alpha에 따라 실제 레이블을 포함하는 예측 세트를 반환한다. 그러나 불균형 데이터셋에서는 마진 컨포멀 예측이 소수 클래스의 커버리지를 심각하게 저하시킨다. 네 개의 데이터셋에서 소수 클래스의 커버리지가 혈뇌 장벽 침투에서는 64.8%, 임상 시험 독성에서는 4.2%로 떨어졌다. 클래스 조건 컨포멀 예측(Mondrian)은 모든 데이터셋에서 소수 클래스 커버리지를 목표로 회복시키며, 예측 세트 크기의 적당한 증가로 이를 달성한다.