实验化学机器学习的失败:流水线阶段的诊断与五项数据实践

《Digital Discovery》:The Data in Data Science for Chemistry: How the Sausage is MadeOpen Access

【字体: 大 中 小 】 时间:2026年10月02日 来源:Digital Discovery 7.1

编辑推荐:

   打开图表查看器 实验化学中的机器学习失败通常被诊断为"杂乱数据",但杂乱并非单一问题。本文观点认为,实验

  

实验化学中的机器学习失败通常被诊断为"杂乱数据",但杂乱并非单一问题。本文观点认为,实验机器学习的失败应在信息首次丢失、失真或被遗漏的流水线阶段进行诊断。测量、处理、整理、表示和验证会产生不同的失败模式,因此需要不同的诊断方法和补救措施。我们将数据生成置于一个混合连续谱上,从实验记录本整理的记录到高通量和闭环平台,指出自动化在提高一致性的同时,也容易导致系统性偏差和未记录的加工。随后,我们将反复出现的数据缺陷映射到流水线阶段,提出针对各阶段的诊断方法,并主张与预期用途相匹配的评估需要多种互补测试,而非单一划分。最后,我们提出五项操作性实践,以保留原始数据、捕获元数据、诊断失败、设计验证测试并报告数据转换。

本文依据 知识共享署名4.0国际许可协议 授权。您可以在其他出版物中使用本文材料,无需向英国皇家化学学会另行申请许可,但须正确注明出处。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号