라벨 20%로 90% 성능 — 신약 표적 예측용 복잡도 인지 액티브러닝
#약물-표적 상호작용(DTI) 라벨은 실험으로만 얻어 비싸고, 초기 모델의 불확실성만 믿고 샘플을 고르면 엇나가기 쉽습니다. 장시중의약대학 연구진의 TCM-Complexity는 약물-표적 임베딩 공간에서 후보의 국소 구조 복잡도를 재 불확실성과 함께 쓰고, 탐색 후 채굴하는 2단계로 샘플을 고릅니다. 라벨 예산 20%로 DAVIS·BioSNAP·TCMSP 대부분 지표에서 최고 성능, 완전 지도학습 대비 90% 이상(최대 약 98%)을 냈고 기존 기법 TCM보다 ROC_AUC가 최대 1.87% 높았습니다.
💡모델 확신도만으로 라벨링 대상을 고르면 초반에 흔들린다는 점을 데이터 분포 구조로 보완한 사례입니다. 조기 공개 원고라 수치는 바뀔 수 있지만, 라벨이 비싼 어떤 도메인에도 옮겨 볼 만한 설계입니다.