Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > q-bio > arXiv:2510.12617

帮助 | 高级搜索

定量生物学 > 基因组学

arXiv:2510.12617 (q-bio)
[提交于 2025年10月14日 ]

标题: 相同模型,更好性能:洗牌对DNA语言模型基准测试的影响

标题: Same model, better performance: the impact of shuffling on DNA Language Models benchmarking

Authors:Davide Greco, Konrad Rawlik
摘要: 大型语言模型在基因组学中越来越受欢迎,因为它们有望解码复杂的生物序列。 因此,研究人员需要一个标准化的基准来评估DNA语言模型(DNA LMs)的能力。 然而,评估DNA LMs是一个复杂的任务,它结合了基因组学领域的特定挑战和机器学习方法,其中看似微小的实现细节可能会显著损害基准的有效性。 我们通过BEND(基准测试DNA语言模型)展示了这一点,其中与硬件相关的超参数——数据加载工作数量和缓冲区大小——会导致相同模型的性能变化高达4%。 问题源于数据洗牌不足与领域特定数据特征的相互作用。 对三种DNA语言模型(HyenaDNA、DNABERT-2、ResNet-LM)的实验表明,这些伪影会影响绝对性能和相对模型排名。 我们提出一个简单的解决方案:在存储前对数据进行预洗牌,可以消除硬件依赖性,同时保持效率。 这项工作突显了标准机器学习实践如何与领域特定的数据特征意外交互,这对专业领域的基准设计有更广泛的影响。
摘要: Large Language Models are increasingly popular in genomics due to their potential to decode complex biological sequences. Hence, researchers require a standardized benchmark to evaluate DNA Language Models (DNA LMs) capabilities. However, evaluating DNA LMs is a complex task that intersects genomic's domain-specific challenges and machine learning methodologies, where seemingly minor implementation details can significantly compromise benchmark validity. We demonstrate this through BEND (Benchmarking DNA Language Models), where hardware-dependent hyperparameters -- number of data loading workers and buffer sizes -- create spurious performance variations of up to 4% for identical models. The problem stems from inadequate data shuffling interacting with domain specific data characteristics. Experiments with three DNA language models (HyenaDNA, DNABERT-2, ResNet-LM) show these artifacts affect both absolute performance and relative model rankings. We propose a simple solution: pre-shuffling data before storage eliminates hardware dependencies while maintaining efficiency. This work highlights how standard ML practices can interact unexpectedly with domain-specific data characteristics, with broader implications for benchmark design in specialized domains.
主题: 基因组学 (q-bio.GN) ; 机器学习 (cs.LG)
引用方式: arXiv:2510.12617 [q-bio.GN]
  (或者 arXiv:2510.12617v1 [q-bio.GN] 对于此版本)
  https://doi.org/10.48550/arXiv.2510.12617
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Davide Greco [查看电子邮件]
[v1] 星期二, 2025 年 10 月 14 日 15:16:56 UTC (3,682 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
许可图标 查看许可
当前浏览上下文:
q-bio.GN
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-10
切换浏览方式为:
cs
cs.LG
q-bio

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号