《Antioxidants》：Leakage-Aware Machine Learning and Deep Learning Benchmarking of Food Antioxidant Capacity Prediction on the Antioxidant Food Table
编辑推荐：
摘要翻译：抗氧化食品表（Antioxidant Food Table）是最大的开放获取的食品抗氧化能力实测数据集，涵盖了采用铁离子还原/抗氧化能力（FRAP）法测定的3139种产品。该表主要用作膳食查询来源，从未被机器可读化或进行基准测试。本研究将其提取为经过
摘要翻译：抗氧化食品表（Antioxidant Food Table）是最大的开放获取的食品抗氧化能力实测数据集，涵盖了采用铁离子还原/抗氧化能力（FRAP）法测定的3139种产品。该表主要用作膳食查询来源，从未被机器可读化或进行基准测试。本研究将其提取为经过验证的开放数据集（3135条记录，占99.9%），并构建了一个泄漏感知的抗氧化能力预测基准，该基准基于产品描述和类别进行预测。研究在两种划分机制下、使用相同的五个随机种子及置换对照，评估了从朴素基线到深度网络及融合策略的18种预测模型。由于39.4%的记录共享同一产品名称，传统的随机划分有利于记忆效应。一种无需学习的重复名称查找方法解释了k近邻（k-NN）相对于类别中位数表观优势的45%。在分组评估中，基于词频–逆文档频率（TF–IDF）特征的岭回归（??2=0.674）优于所有深度网络。预训练词向量未能缩小这一差距。所有八种模型的等权融合取得了最佳性能（??2=0.684），且变异性降低了2.6倍。在该基准上，评估协议和特征表示而非模型架构主导了结果。数据集、代码和预测结果均已开放发布。
论文解读文章
研究背景与问题
抗氧化能力已成为现代食品供应链中的核心质量指标，广泛应用于原料筛选、加工决策、货架期管理及面向消费者的宣称。随着成分数据在体量和异质性上的增长，食品领域逐渐引入人工智能和生物信息学技术。近年来，机器学习（ML）和深度学习（DL）在抗氧化相关问题中的应用日益增多，涵盖纯化合物的单线态氧清除活性预测、掺杂纳米颗粒的自由基清除能力评估、药物设计中的体外抗氧化评估、酚类成分的光谱预测以及基于栽培品种描述符的神经网络预测等。然而，尽管这些研究展示了ML在食品抗氧化领域的潜力，其预测结果的可信度常常受到数据泄漏问题的威胁。所谓数据泄漏，是指在划分训练集和测试集时，由于重复样本或相关联样本同时出现在两侧，导致模型性能被高估。一个典型的失败案例来自Guardado Yordi等人对食品氧自由基吸收能力（ORAC）的预测研究，其数据布局中每种食品对应多个行，但预测目标定义在食品水平，随机按行划分导致同一食品出现在训练和测试两侧，使得报告的0.957决定系数主要反映记忆效应而非泛化能力。类似的问题在食品化学其他领域也有报道，例如对rooibos infusion的研究表明，已发表的ML成功可能是重复测量跨越划分边界的假象。
本研究所依托的抗氧化食品表（Antioxidant Food Table）是Carlsen等人编制的最大的开放食品抗氧化能力数据集，包含3139种食品、饮料、香料、草药和补充剂的FRAP测定值。该表在过去的十余年中主要作为膳食查询表使用，流行病学研究将其与食物频率问卷条目匹配，计算膳食总抗氧化能力（TAC）得分，并关联心血管风险、2型糖尿病、肥胖、癌症、死亡率等健康结局。然而，匹配过程是显式手动的，例如Li等人曾声明“分配了最接近可比较食品的抗氧化值”。该表从未被机器可读化，也从未作为预测基准使用。因此，本研究旨在构建缺失的泄漏感知基准，量化评估协议对模型表观性能的影响。
研究内容与结论
研究人员首先将抗氧化食品表转换为经过验证的机器可读数据集，共提取3135条记录（占99.9%），涵盖全部24个类别。随后，从产品描述和食品类别两个输入预测抗氧化能力，构建了一个包含18种预测模型的泄漏感知基准。这些模型分为四个家族：无学习基线（全局中位数、类别中位数、记忆基线）、经典机器学习模型（岭回归、k-NN、随机森林、XGBoost、LightGBM、MLP）、字符级深度学习网络（CNN、BiLSTM）以及集成策略（表示级混合和预测级融合）。评估在两种划分机制下进行：文献中常用的随机划分和按产品名称分组的分组划分，每种划分使用5个随机种子并配置换对照。
研究的主要发现包括：第一，随机划分系统性地高估了模型性能，因为39.4%的记录共享规范化产品名称，重复名称查找解释了k-NN相对于类别中位数表观优势的45%；第二，在分组（重复受控）评估中，基于TF–IDF特征的岭回归（??2=0.674）优于所有深度网络，预训练词向量无法缩小差距；第三，所有八个学习模型的等权融合获得了最佳分组性能（??2=0.684），并将种子间标准差降低了2.6倍；第四，评估协议和特征表示而非模型架构主导了基准结果。
主要关键技术方法
研究采用以下关键技术方法：（1）数据提取与验证：对138页补充文档进行词级边界框坐标解析，将抗氧化值锚定行带，按坐标分配词到行列，恢复3135/3139条记录，并通过独立值级普查验证类别记录数和值总和；（2）泄漏感知划分设计：采用Unicode分解、小写化、去除非字母数字字符和空白折叠来规范化产品名称，随机划分和分组划分各5个种子，分组划分保证任何产品名称不跨越边界；（3）模型家族构建：包括岭回归、k-NN、随机森林、XGBoost、LightGBM、MLP、字符级CNN、BiLSTM以及表示级和预测级混合模型；（4）评估与诊断：使用决定系数、均方根误差、平均绝对误差和Spearman秩相关系数，并执行置换对照、记忆基线和拟合仅用对照。
研究结果
基准测试结果：在分组机制下，最佳单模型为基于TF–IDF和类别特征的岭回归（??2=0.674，RMSE=0.92），八模型融合进一步提高到??2=0.684，SD从0.027降至0.011。类别中位数仅达到0.442，说明产品描述提供了远超类别的信息。文本仅用和类别仅用的消融分别达到0.597和0.503，表明两者互补。所有置换对照保持在或低于随机水平，支持流程完整性。在原始尺度上，分组岭回归的中位绝对误差为0.27 mmol/100 g，平均绝对误差为5.4 mmol/100 g，融合分别达到0.33和9.2，重右尾分布导致均值远大于中位数。按类别分层，鱼类海鲜、混合主菜和肉类产品的类别内??2为负，高FRAP层（≥10 mmol/100 g）的秩相关降至0.27，78%的高浓度产品被低估。
泄漏膨胀及其机制：从分组切换到随机划分，除MLP外所有主基准学习模型的表观性能均膨胀，膨胀量从0.012到0.173不等。记忆性模型膨胀最大（k-NN Δ??2=0.173，随机森林Δ??2=0.112，BiLSTMΔ??2=0.099），岭回归和MLP最小（0.012和0.000）。无学习、无特征的记忆基线仅凭重复名称查找就获得Δ??2=0.104。在随机机制下，k-NN超过类别中位数0.199个??2单位（0.663对0.464），记忆基线复现了其中45%的边际优势，即0.090。
表示与架构对比：在重复受控评估中，字符级CNN和BiLSTM分别达到0.604和0.613，均在所有五个配对种子上低于岭回归，平均配对差异分别为0.070和0.061。与岭回归使用相同TF–IDF特征的MLP仅差0.011，在五个种子上不显著，而自学习表示的深度网络落后至少三倍于此的差距。拟合仅用对照排除训练数据量差异，岭回归在仅拟合划分上达0.671，仍超过两个深度网络。预训练词向量对照中，外部预训练fastText向量加XGBoost头达0.607，与语料训练的深度表示同头效果相当，但均低于岭回归0.067。岭回归的可解释性分析显示，正系数词包括clove、amla、walnut等强抗氧化产品，负系数包括fresh、oil及mg、mcg等剂量标记，品牌片段也被利用。
ML–DL集成：表示级混合中，仅用深度表示训练XGBoost达0.631，优于在原始TF–IDF上的XGBoost（0.607），表明深度网络学到了可迁移结构。但将表示注入最佳单模型是反效果的，混合岭回归从0.674降至0.636。预测级集成表现更好，八模型等权融合是唯一在四个种子上超过岭回归的无选择预测器（均值0.684对0.674，不显著），更明显的益处是稳定性，种子间SD从0.027降至0.011，降低2.6倍。消融阶梯显示性能从类别仅用0.503、文本仅用0.597、完整特征0.674到融合0.684逐步提升。
讨论与结论
讨论部分指出：协议和表示在此基准上压倒架构。评估协议和特征表示对结果的影响大于模型架构，机制分解首次将此类资源的膨胀归因于确切机制。岭回归在TF–IDF上的领先与先前发现一致，学习表示需要比约2100条短训练文本多得多的数据。预测级融合表明深度模型不必个别优秀也能增加价值，因为其误差去相关化使等权平均略微提高均值并显著增强稳定性。对于膳食TAC文献，随机划分验证的自动匹配器会高估对真正新项目的准确性，而分组协议提供合适估计。研究的局限性包括：目标变量仅来自单一FRAP测定，未代表测定间变异；输入仅限于产品描述和类别，无法在规模上加入成分预测器；深度模型紧凑且仅CPU可训练，大型上下文语言模型未测试；存在拟合与池训练差异、混合模型仅下游置换和验证划分双重使用三个协议不对称；结论来自单一资源，未进行外部数据集验证。
研究结论如下：（1）抗氧化食品表首次以机器可读形式发布，涵盖3139条记录中的3135条（99.9%），独立值级普查确认23/24类别的提取与印刷补充文档一致，唯一缺陷是一条未恢复记录，所有与文章汇总表的差异均追溯至来源内部不一致。（2）文献标准随机划分系统性地膨胀性能，因为39.4%的记录共享规范化产品名称，膨胀量跟踪模型记忆容量，k-NN达Δ??2=0.173，无学习记忆基线复现k-NN表观优势的45%。（3）在重复受控评估中，TF–IDF特征的岭回归（??2=0.674）在每个配对种子上优于字符级CNN和BiLSTM，表示匹配的MLP表明缺陷主要是表示性的而非架构性的，预训练嵌入对照进一步支持此解读。（4）ML–DL集成在预测层面有效，八模型无选择融合取得最佳分组性能（??2=0.684，Spearman ρ=0.87），在五个种子中的四个超过岭回归，种子间变异性降低2.6倍，平均增益虽小但稳健收益是降低变异性。该研究发表在《Antioxidants》期刊上。
