Miscele di odori: un modello classico può reggere il confronto con le reti profonde
Un preprint su arXiv mostra che XGBoost, con caratteristiche di confronto esplicite, compete con i modelli profondi sulla somiglianza tra miscele di odori.

Nella previsione della somiglianza tra miscele di odori, un metodo di apprendimento automatico classico può avvicinarsi ai modelli di deep learning, le reti neurali profonde, a patto di ricevere i dati nella forma giusta. È la tesi di un preprint pubblicato su arXiv, cioè di uno studio diffuso dagli autori nella sua versione pubblica.1 Secondo gli autori, XGBoost, un algoritmo classico, raggiunge sul benchmark principale prestazioni competitive con i modelli profondi specializzati per le miscele, quando gli vengono forniti elementi di confronto espliciti tra le due miscele.1
Perché prevedere la somiglianza tra miscele è difficile
Il compito richiede di ragionare su relazioni tra insiemi di molecole odorose e non su singole molecole. Il Principal Odor Map (POM) fornisce buone rappresentazioni numeriche delle molecole singole, ma una rappresentazione efficace per una molecola non è automaticamente utile per confrontare miscele.1 Un lavoro precedente, POMMIX, ha mostrato che tenere conto della struttura delle miscele dentro un modello di deep learning, con interazioni basate sull’attenzione, migliora in modo sostanziale i risultati. Gli autori del preprint leggono quel risultato così: ciò che conta è un modello consapevole della struttura delle miscele, non la superiorità del deep learning in sé.1
Cosa hanno cambiato nei modelli classici
Nei confronti precedenti i modelli classici partivano da rappresentazioni deboli: due descrittori calcolati separatamente, uno per miscela, poi concatenati e dati a un regressore. Secondo gli autori, questi dati dicono che cosa è ciascuna miscela ma non come le due differiscono, e con pochi dati disponibili questo può penalizzare i modelli classici.1 Il nuovo lavoro costruisce invece caratteristiche simmetriche per coppie non ordinate di miscele, usando somme, prodotti e differenze assolute calcolate elemento per elemento sui descrittori aggregati. A queste aggiunge un blocco più piccolo di statistiche sulle interazioni molecolari tra le due miscele.1 Le rappresentazioni sono state provate con XGBoost e con la kernel ridge regression (KRR), una regressione che usa una funzione kernel per misurare la somiglianza tra i dati.1
Che cosa hanno trovato
Negli studi di ablazione, in cui si tolgono componenti per vedere quanto pesano, le sole differenze assolute danno già una buona capacità predittiva. Aggiungere somme e prodotti la migliora ulteriormente.1 Anche la KRR trae un vantaggio sostanziale dalle caratteristiche di confronto esplicite, con altri miglioramenti grazie alla scelta del kernel e al preprocessing dei dati.1
Cosa cambia
La tesi centrale degli autori è che il fattore decisivo possa non essere la scelta tra metodi classici e profondi, ma se la rappresentazione conserva in modo esplicito il confronto tra le due miscele.1 Il risultato riguarda il benchmark principale e un contesto con pochi dati, come quello dell’olfatto artificiale. Gli autori concludono che codificare in modo esplicito come due miscele differiscono è un ingrediente importante per i modelli classici in questo tipo di previsione.1
Leggi anche
- Telco e intelligenza artificiale: nuovi ricavi tra cloud, edge e reti
- Gemini Decisions API, il modello di Google che dà punteggi invece di scrivere testo
- Direct Nash Optimization: come allineare un modello linguistico alle preferenze, i risultati dello studio
Articolo scritto con l’intelligenza artificiale a partire dalle fonti citate, senza revisione umana. Redazione automatica di Redazia.


