論文の概要: A comprehensive study on the prediction reliability of graph neural
networks for virtual screening
- arxiv url: http://arxiv.org/abs/2003.07611v1
- Date: Tue, 17 Mar 2020 10:13:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 20:37:00.267484
- Title: A comprehensive study on the prediction reliability of graph neural
networks for virtual screening
- Title（参考訳）: 仮想スクリーニングのためのグラフニューラルネットワークの予測信頼性に関する総合的研究
- Authors: Soojung Yang, Kyung Hoon Lee, and Seongok Ryu
- Abstract要約: 本稿では,モデルアーキテクチャ,正規化手法,損失関数が分類結果の予測性能および信頼性に与える影響について検討する。
その結果,高い成功率を達成するためには,正則化と推論手法の正しい選択が重要であることが明らかとなった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Prediction models based on deep neural networks are increasingly gaining
attention for fast and accurate virtual screening systems. For decision makings
in virtual screening, researchers find it useful to interpret an output of
classification system as probability, since such interpretation allows them to
filter out more desirable compounds. However, probabilistic interpretation
cannot be correct for models that hold over-parameterization problems or
inappropriate regularizations, leading to unreliable prediction and decision
making. In this regard, we concern the reliability of neural prediction models
on molecular properties, especially when models are trained with sparse data
points and imbalanced distributions. This work aims to propose guidelines for
training reliable models, we thus provide methodological details and ablation
studies on the following train principles. We investigate the effects of model
architectures, regularization methods, and loss functions on the prediction
performance and reliability of classification results. Moreover, we evaluate
prediction reliability of models on virtual screening scenario. Our result
highlights that correct choice of regularization and inference methods is
evidently important to achieve high success rate, especially in data imbalanced
situation. All experiments were performed under a single unified model
implementation to alleviate external randomness in model training and to enable
precise comparison of results.
- Abstract（参考訳）: ディープニューラルネットワークに基づく予測モデルは、高速で正確な仮想スクリーニングシステムで注目を集めている。
仮想スクリーニングにおける意思決定では、より望ましい化合物をフィルタリングできるため、分類システムの出力を確率として解釈することが有用である。
しかし、過剰パラメータ問題や不適切な正規化を持つモデルでは確率論的解釈は正しくなく、信頼できない予測と意思決定に繋がる。
本稿では,分子特性に対するニューラル予測モデルの信頼性,特にスパースデータポイントと不均衡分布を訓練する場合に懸念する。
本研究は,信頼度の高いモデルの訓練ガイドラインの提案を目的として,以下の列車原理に関する方法論的詳細とアブレーション研究を行う。
モデルアーキテクチャ,正規化手法,損失関数が予測性能および分類結果の信頼性に及ぼす影響について検討した。
さらに,仮想スクリーニングシナリオにおけるモデルの予測信頼性を評価する。
この結果から,データ不均衡な状況において高い成功率を達成するためには,正則化と推論手法の正しい選択が重要であることが明らかになった。
全ての実験は、モデルトレーニングにおける外部ランダム性を緩和し、結果の正確な比較を可能にするため、単一の統一モデル実装の下で実施された。
関連論文リスト
- Detecting Model Misspecification in Amortized Bayesian Inference with Neural Networks: An Extended Investigation [9.950524371154394]
本研究では、教師なしの方法で訓練し、テスト時にモデルの誤特定を確実に検出できる新しい誤特定尺度を提案する。
提案手法は,不審な出力をユーザに警告し,予測が信頼できない場合に警告を発し,モデル設計者がより良いシミュレータを探索する際の指針となることを示す。
論文 参考訳（メタデータ） (2024-06-05T11:30:16Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳（メタデータ） (2023-09-02T01:27:53Z) - Causal Analysis for Robust Interpretability of Neural Networks [0.2519906683279152]
我々は、事前学習されたニューラルネットワークの因果効果を捉えるための頑健な介入に基づく手法を開発した。
分類タスクで訓練された視覚モデルに本手法を適用した。
論文 参考訳（メタデータ） (2023-05-15T18:37:24Z) - Learning Sample Difficulty from Pre-trained Models for Reliable
Prediction [55.77136037458667]
本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。
我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
論文 参考訳（メタデータ） (2023-04-20T07:29:23Z) - Correcting Model Bias with Sparse Implicit Processes [0.9187159782788579]
SIP(Sparse Implicit Processes)は,データ生成機構がモデルによって入力されるものと強く異なる場合,モデルバイアスを補正できることを示す。
合成データセットを用いて、SIPは、初期推定モデルの正確な予測よりもデータをよりよく反映する予測分布を提供することができることを示す。
論文 参考訳（メタデータ） (2022-07-21T18:00:01Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - Quantifying Predictive Uncertainty in Medical Image Analysis with Deep
Kernel Learning [14.03923026690186]
本研究では,予測の不確かさを推定できる不確実性を考慮した深層カーネル学習モデルを提案する。
ほとんどの場合、提案したモデルは一般的なアーキテクチャよりも優れた性能を示している。
私たちのモデルは、挑戦的で議論の余地のあるテストサンプルを検出するためにも使用できます。
論文 参考訳（メタデータ） (2021-06-01T17:09:47Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z) - Trust but Verify: Assigning Prediction Credibility by Counterfactual
Constrained Learning [123.3472310767721]
予測信頼性尺度は統計学と機械学習において基本的なものである。
これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。
この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
論文 参考訳（メタデータ） (2020-11-24T19:52:38Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。