論文の概要: Calibrated Uncertainty for Molecular Property Prediction using Ensembles
of Message Passing Neural Networks
- arxiv url: http://arxiv.org/abs/2107.06068v1
- Date: Tue, 13 Jul 2021 13:28:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-14 18:54:58.702136
- Title: Calibrated Uncertainty for Molecular Property Prediction using Ensembles
of Message Passing Neural Networks
- Title（参考訳）: メッセージパッシングニューラルネットワークのアンサンブルを用いた分子特性予測のための校正不確かさ
- Authors: Jonas Busk, Peter Bj{\o}rn J{\o}rgensen, Arghya Bhowmik, Mikkel N.
Schmidt, Ole Winther, Tejs Vegge
- Abstract要約: 我々は、分子や物質の特性を予測するために特別に設計されたメッセージパッシングニューラルネットワークを拡張した。
その結果,分子生成エネルギーのキャリブレーションの不確実性を考慮した予測モデルが得られた。
- 参考スコア（独自算出の注目度）: 11.47132155400871
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-driven methods based on machine learning have the potential to
accelerate analysis of atomic structures. However, machine learning models can
produce overconfident predictions and it is therefore crucial to detect and
handle uncertainty carefully. Here, we extend a message passing neural network
designed specifically for predicting properties of molecules and materials with
a calibrated probabilistic predictive distribution. The method presented in
this paper differs from the previous work by considering both aleatoric and
epistemic uncertainty in a unified framework, and by re-calibrating the
predictive distribution on unseen data. Through computer experiments, we show
that our approach results in accurate models for predicting molecular formation
energies with calibrated uncertainty in and out of the training data
distribution on two public molecular benchmark datasets, QM9 and PC9. The
proposed method provides a general framework for training and evaluating neural
network ensemble models that are able to produce accurate predictions of
properties of molecules with calibrated uncertainty.
- Abstract（参考訳）: 機械学習に基づくデータ駆動手法は、原子構造の解析を加速する可能性がある。
しかし、機械学習モデルは過度に信頼された予測を生成できるため、不確実性を慎重に検出し対処することが重要である。
ここでは、分子や物質の特性をキャリブレーションされた確率的予測分布で予測するために設計されたメッセージパッシングニューラルネットワークを拡張する。
本論文では,先行研究と異なる手法として,統一フレームワークにおけるアレテータ性および認識論的不確実性の検討と,未知覚データに対する予測分布の再調整を行った。
計算機実験により,2つの公開分子ベンチマークデータセット,qm9とpc9のトレーニングデータ分布における不確かさを校正した分子形成エネルギーを予測するための正確なモデルが得られた。
提案手法はニューラルネットワークアンサンブルモデルのトレーニングと評価のための一般的な枠組みを提供し,不確かさを校正した分子の性質の正確な予測を実現できる。
関連論文リスト
- Balancing Molecular Information and Empirical Data in the Prediction of Physico-Chemical Properties [8.649679686652648]
本稿では,分子記述子と表現学習を組み合わせた一般的な手法を提案する。
提案したハイブリッドモデルは,グラフニューラルネットワークを用いた化学構造情報を利用する。
構造に基づく予測が信頼できない場合を自動的に検出し、表現学習に基づく予測によって修正する。
論文 参考訳（メタデータ） (2024-06-12T10:51:00Z) - CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
本研究は認知拡散確率モデル(CogDPM)を紹介する。
CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。
我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
論文 参考訳（メタデータ） (2024-05-03T15:54:50Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳（メタデータ） (2023-08-03T12:43:21Z) - Low cost prediction of probability distributions of molecular properties
for early virtual screening [0.8702432681310399]
本稿では, 階層的相関再構築手法を適用し, 人口統計, 財務, 天文学的データの解析に応用した。
この手法は、望まれる物理化学的/ADMET特性の可能性が低い化合物の迅速な拒絶を可能にするため、医薬化学者にとって大きな支援となる。
論文 参考訳（メタデータ） (2022-07-21T13:29:26Z) - Learning inducing points and uncertainty on molecular data by scalable
variational Gaussian processes [0.0]
分子記述子空間における誘導点の変動学習は、2つの分子動力学データセット上でのエネルギーと原子力の予測を改善することを示す。
本研究は大規模分子結晶系に拡張し, データセットのスパース表現を効率よく学習することにより, 原子間力の予測に優れた変動GPモデルを示す。
論文 参考訳（メタデータ） (2022-07-16T10:41:41Z) - Uncertainty quantification for predictions of atomistic neural networks [0.0]
本稿では、量子化学参照データに基づくトレーニングニューラルネットワーク(NN)の予測における不確かさの定量化値について検討する。
PhysNet NN のアーキテクチャを好適に修正し,キャリブレーションの定量化,予測品質,予測誤差と予測不確かさの相関性を評価した。
論文 参考訳（メタデータ） (2022-07-14T13:39:43Z) - Conformal prediction for the design problem [72.14982816083297]
機械学習の現実的な展開では、次にテストすべきデータを選択するために予測アルゴリズムを使用します。
このような設定では、トレーニングデータとテストデータの間には、異なるタイプの分散シフトがある。
このような環境で予測の不確実性を定量化する手法を提案する。
論文 参考訳（メタデータ） (2022-02-08T02:59:12Z) - 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) - 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) - Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。
設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。
合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文 参考訳（メタデータ） (2020-06-08T07:01:38Z) - A comprehensive study on the prediction reliability of graph neural
networks for virtual screening [0.0]
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。
論文 参考訳（メタデータ） (2020-03-17T10:13:31Z)
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。