RamanBench：用于 Raman 光谱机器学习的大规模基准

arXiv:2605.02003v3 公告类型：替换 摘要：机器学习（ML）已经改变了许多科学领域，但一些关键应用仍缺乏标准化基准。Raman 光谱是一种广泛用于非侵入式分子分析的技术，该领域正是其中之一，其发展受到数据集碎片化、评估不一致以及无法捕捉光谱数据结构的模型等因素的限制。我们推出了 RamanBench，这是首个面向 Raman 光谱机器学习的大规模、完全可复现的基准，包含简化的数据访问、评估协议和代码，以及实时排行榜。该基准整合了涵盖四个领域的 74 个数据集（其中 16 个数据集首次随本基准发布），共包含 325,668 条光谱，并覆盖不同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）、Raman 专用模型（如 RamanNet）、Tabular Foundation Model（TFM）（如 TabPFN）以及时间序列方法（如 ROCKET）。TFM 的表现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有竞争力。然而，没有任何方法能够跨数据集实现良好的泛化，这揭示了一个根本性缺口。因此，我们邀请社区为这一持续更新的基准贡献新方法，以期加速医学诊断、生物学研究和材料科学等关键应用的发展。