校准虚拟筛选中的无声失败：边际共形预测掩盖了少数群体，而类条件修复则恢复了它

arXiv:2607.06605v1 公告类型：新 摘要：药物发现中采用保形预测来对模型可靠性给出诚实的数字：选择一个错误率 alpha，该方法返回包含概率至少为 1 - alpha 的真实标签的预测集。我们证明这种保证对于不平衡的数据集可能是危险的。在四个数据集中，标准（边际）适形预测达到了其全球 90% 的覆盖率目标，同时使少数类别严重暴露：在血脑屏障渗透方面实现的少数覆盖率下降至 64.8%，在临床试验毒性方面下降至 4.2%，其中罕见类别几乎被放弃。失败与某个模型无关：随机森林、图形网络和冻结化学语言模型都会重现它（每种情况下 p < 0.001），并在稀有标签而不是架构上进行严重性跟踪基线校准。保护恒等式解释了这种效应：少数群体的短缺等于多数群体的盈余被不平衡率放大，预测测量到的差距在一个点内，并对数据集的严重性进行排序。该故障在真实的脚手架分裂和第二次保形评分中幸存下来，而总体精度和总体覆盖率保持令人放心的高水平，这正是它很容易被错过的原因。类条件（蒙德里安）保形预测缩小了每个数据集的差距，恢复了少数覆盖率，以实现预测集大小适度增加的目标。我们将失败定位于通用分子支架（两类中都存在纯苯和吡啶核心），提出了一种一次性诊断方法，并通过成本模型表明，放弃受影响的化合物可以将筛选活动从净负效用转变为净正效用。我们的贡献是在实际化学中证明了这种已知的共形理论差距在不平衡的情况下变得多么严重和不可见，并制定了一个恢复每类可靠性的实用协议。