論文の概要: Biases in In Silico Evaluation of Molecular Optimization Methods and
Bias-Reduced Evaluation Methodology
- arxiv url: http://arxiv.org/abs/2201.12163v1
- Date: Fri, 28 Jan 2022 14:53:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-31 14:31:42.088479
- Title: Biases in In Silico Evaluation of Molecular Optimization Methods and
Bias-Reduced Evaluation Methodology
- Title（参考訳）: 分子最適化法とバイアス還元評価法のinsilico評価におけるバイアス
- Authors: Hiroshi Kajino, Kohei Miyaguchi, Takayuki Osogami
- Abstract要約: 一般的なプラクティスは、サンプルのターゲットプロパティの予測器をトレーニングし、エージェントのトレーニングと評価の両方に使用することである。
この評価器は2つのバイアスに悩まされている可能性が示唆された。1つは予測器の誤特定によるものであり、もう1つはトレーニングと評価のために同じサンプルを再利用することによるものである。
- 参考スコア（独自算出の注目度）: 29.978816372127085
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We are interested in in silico evaluation methodology for molecular
optimization methods. Given a sample of molecules and their properties of our
interest, we wish not only to train an agent that can find molecules optimized
with respect to the target property but also to evaluate its performance. A
common practice is to train a predictor of the target property on the sample
and use it for both training and evaluating the agent. We show that this
evaluator potentially suffers from two biases; one is due to misspecification
of the predictor and the other to reusing the same sample for training and
evaluation. We discuss bias reduction methods for each of the biases
comprehensively, and empirically investigate their effectiveness.
- Abstract（参考訳）: 分子最適化法におけるシリカ評価手法に興味がある。
分子のサンプルとその性質を考慮に入れれば、ターゲットの性質に対して最適化された分子を見つけることができるエージェントを訓練するだけでなく、その性能も評価したい。
一般的なプラクティスは、サンプルのターゲットプロパティの予測器をトレーニングし、エージェントのトレーニングと評価の両方に使用することである。
この評価器は2つのバイアスを負う可能性がある。1つは予測器の誤特定と、もう1つはトレーニングや評価に同じサンプルを再利用することによるものである。
各バイアスに対するバイアス低減手法を包括的に検討し,その効果を実証的に検討した。
関連論文リスト
- Distribution Learning for Molecular Regression [10.96062816455682]
Distributional Mixture of Experts (DMoE) はモデルに依存しない、データに依存しない回帰法である。
分子特性予測データセットを用いたDMoEの性能評価を行った。
論文 参考訳（メタデータ） (2024-07-30T00:21:51Z) - 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) - Data Pruning via Moving-one-Sample-out [61.45441981346064]
我々は移動1サンプルアウト(MoSo)と呼ばれる新しいデータ処理手法を提案する。
MoSoは、トレーニングセットから最も分かりにくいサンプルを特定し、削除することを目的としている。
実験結果から,MoSoは高プルーニング比で高い性能劣化を効果的に緩和することが示された。
論文 参考訳（メタデータ） (2023-10-23T08:00:03Z) - Provable Benefits of Policy Learning from Human Preferences in
Contextual Bandit Problems [82.92678837778358]
嗜好に基づく手法は、InstructGPTのような経験的応用でかなりの成功を収めている。
フィードバックモデリングにおける人間のバイアスと不確実性がこれらのアプローチの理論的保証にどのように影響するかを示す。
論文 参考訳（メタデータ） (2023-07-24T17:50:24Z) - A Tale of Sampling and Estimation in Discounted Reinforcement Learning [50.43256303670011]
割引平均推定問題に対して最小値の最小値を求める。
マルコフ過程の割引されたカーネルから直接サンプリングすることで平均を推定すると、説得力のある統計的性質が得られることを示す。
論文 参考訳（メタデータ） (2023-04-11T09:13:17Z) - MetaRF: Differentiable Random Forest for Reaction Yield Prediction with
a Few Trails [58.47364143304643]
本稿では,反応収率予測問題に焦点をあてる。
筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。
数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
論文 参考訳（メタデータ） (2022-08-22T06:40:13Z) - Meta-Learners for Estimation of Causal Effects: Finite Sample Cross-Fit
Performance [0.0]
メタラーナーの有限試料特性を不均一な処理効果評価のために検討した。
有限サンプルにおけるメタラーナーの性能は推定方法に大きく依存していることが判明した。
論文 参考訳（メタデータ） (2022-01-30T00:52:33Z) - An active learning approach for improving the performance of equilibrium
based chemical simulations [0.0]
本稿では、平衡に基づく化学シミュレーションを扱うための新しい逐次データ駆動手法を提案する。
提案手法は,サロゲートモデルを構築するために推定関数を評価すべき最も関連性の高い入力データを逐次選択する。
本手法は数値実験により検証し,地球科学でよく用いられる複雑な化学系に適用する。
論文 参考訳（メタデータ） (2021-10-15T14:17:28Z) - Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。
ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。
本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
論文 参考訳（メタデータ） (2021-05-11T03:38:16Z) - Double machine learning for sample selection models [0.12891210250935145]
本稿では,サンプル選択や帰属によるサブポピュレーションに対してのみ結果が観察される場合の個別分散処理の評価について考察する。
a)Neyman-orthogonal, Duubly robust, and efficient score function, which suggests the robustness of treatment effect Estimation to moderate regularization biases in the machine learning based Estimation of the outcome, treatment, or sample selection model and (b) sample splitting ( or cross-fitting) to prevent overfitting bias。
論文 参考訳（メタデータ） (2020-11-30T19:40:21Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳（メタデータ） (2020-10-05T20:03:13Z)
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。