arXiv cs.AI· Mario Koddenbrock, Christoph Lange, Robin Legner, Martin J\"ager, Martin K\"ogler, Mariano N. Cruz Bournazou, Peter Neubauer, Felix Biessmann, Erik Rodner·· 11 小时前AI 评分31
RamanBench：拉曼光谱机器学习大规模基准发布
RamanBench: A Large-Scale Benchmark for Machine Learning on Raman Spectroscopy
AI 导读
RamanBench 是首个面向拉曼光谱机器学习的大规模可复现基准，统一 77 个数据集、325,862 条光谱，覆盖四个领域的分类与回归任务。研究在标准化协议下评测 28 个模型，发现表格基础模型（如 TabPFN）持续优于领域专用模型和梯度提升基线，时间序列模型也具竞争力，但没有任何单一方法能在所有异构数据集上占优。
正文 · AI 翻译
摘要：机器学习（ML）已经改变了许多科学领域，但一些关键应用仍然缺乏标准化的基准。拉曼光谱是一种广泛用于非侵入式分子分析的技术，正是这样一个领域，其进展受限于碎片化的数据集、不一致的评估以及无法捕捉光谱数据结构的模型。我们推出 RamanBench，这是首个面向拉曼光谱机器学习的大规模、完全可复现的基准，包括简化的数据访问（此 https URL）、评估协议与代码（此 https URL），以及一个实时排行榜（此 https URL）。它统一了四个领域的 77 个数据集（其中 17 个随本基准首次发布），共包含 325,862 条光谱，涵盖多种实验条件下的分类和回归任务。我们在标准化协议下对 28 个模型进行了基准测试，包括经典方法（如 PLS）、拉曼专用方法（如 RamanNet）、表格基础模型（TFM；如 TabPFN）以及时间序列方法（如 ROCKET）。TFM 始终优于领域专用模型和梯度提升基线，而时间序列模型仍具竞争力。然而，在这些异构数据集上，没有任何单一方法占据主导地位，这表明拉曼光谱对机器学习而言仍是一个开放挑战。因此，我们邀请社区为我们持续更新的基准贡献新方法，这有望加速医学诊断、生物学研究和材料科学等关键应用的进展。
| 评论： | 此 https URL |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.02003 [cs.LG] |
| （或 arXiv:2605.02003v4 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.02003 arXiv 颁发的 DOI，经由 DataCite |
|
| 期刊 参考： | NeurIPS 2026 |
提交历史
来自：Mario Koddenbrock [查看电子邮件]
[v1]
2026年5月3日星期日 18:12:42 UTC（4,736 KB）
[v2]
2026年5月6日星期三 11:03:18 UTC（4,680 KB）
[v3]
2026年10月7日星期三 12:10:59 UTC（4,720 KB）
[v4]
2026年10月16日星期五 13:36:03 UTC（4,724 KB）
来源：arXiv cs.AI · arxiv.org