分子核方法的谱分析：更丰富的特征是否必然保证更好的概括
密码学与安全
2025-10-27 v1
摘要
理解核方法的谱特性提供了对概括和表示质量的原则性视角。虽然深度模型在分子性质预测方面实现了最先进的准确率，但核方法因其在低数据场景中的鲁棒性和透明的理论基础而仍广泛使用。尽管已有大量研究对机器学习中的核谱进行了系统性分析，但针对分子核的系统性谱分析仍寥寥无几。本文对 QM9 数据集上的核脊调节、分子指纹、预训练基于转换器的全局和局部 3D 表示在七个分子性质上的谱进行了首次全面分析。意外的是，四种不同的谱度量衡量的更丰富特征并不一致地提高准确率。Pearson 相关性测试进一步表明，对于基于转换器的和局部 3D 表示，谱的丰富性甚至可能与性能呈负相关。我们还实现了截断核来探讨谱和预测性能之间的关系：在许多核方法中，仅保留前 2% 的特征值即可恢复近乎所有性能，表明主导特征值捕获了最具信息性的特征。我们的结果挑战了“更丰富的谱必然导致更好的概括”这一常见启发式，并凸显了表示、核特征与预测性能之间存在细致的关系。除了分子性质预测之外，这些发现还为在数据有限的科学和实际任务中评估核方法和自监督学习方法提供了指导。
引用
@article{arxiv.2510.14218,
title = {An Information Asymmetry Game for Trigger-based DNN Model Watermarking},
author = {Chaoyue Huang and Gejian Zhao and Hanzhou Wu and Zhihua Xia and Asad Malik},
journal= {arXiv preprint arXiv:2510.14218},
year = {2025}
}