論文の概要: Evaluating Point-Prediction Uncertainties in Neural Networks for Drug
Discovery
- arxiv url: http://arxiv.org/abs/2210.17043v1
- Date: Mon, 31 Oct 2022 03:45:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 19:31:14.357366
- Title: Evaluating Point-Prediction Uncertainties in Neural Networks for Drug
Discovery
- Title（参考訳）: 薬物発見のためのニューラルネットワークにおける点予測不確かさの評価
- Authors: Ya Ju Fan, Jonathan E. Allen, Kevin S. McLoughlin, Da Shi, Brian J.
Bennion, Xiaohua Zhang, and Felice C. Lightstone
- Abstract要約: ニューラルネットワーク(NN)モデルは、薬物発見プロセスをスピードアップし、失敗率を低下させる可能性がある。
NNモデルの成功には不確実な定量化(UQ)が必要である。
本稿では,薬物発見を目的としたNNモデルの予測不確かさを推定するUQ手法について検討する。
- 参考スコア（独自算出の注目度）: 0.26385121748044166
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Neural Network (NN) models provide potential to speed up the drug discovery
process and reduce its failure rates. The success of NN models require
uncertainty quantification (UQ) as drug discovery explores chemical space
beyond the training data distribution. Standard NN models do not provide
uncertainty information. Methods that combine Bayesian models with NN models
address this issue, but are difficult to implement and more expensive to train.
Some methods require changing the NN architecture or training procedure,
limiting the selection of NN models. Moreover, predictive uncertainty can come
from different sources. It is important to have the ability to separately model
different types of predictive uncertainty, as the model can take assorted
actions depending on the source of uncertainty. In this paper, we examine UQ
methods that estimate different sources of predictive uncertainty for NN models
aiming at drug discovery. We use our prior knowledge on chemical compounds to
design the experiments. By utilizing a visualization method we create
non-overlapping and chemically diverse partitions from a collection of chemical
compounds. These partitions are used as training and test set splits to explore
NN model uncertainty. We demonstrate how the uncertainties estimated by the
selected methods describe different sources of uncertainty under different
partitions and featurization schemes and the relationship to prediction error.
- Abstract（参考訳）: ニューラルネットワーク(NN)モデルは、薬物発見プロセスをスピードアップし、失敗率を低下させる可能性がある。
NNモデルの成功には不確実な定量化(UQ)が必要である。
標準NNモデルは不確実性情報を提供しない。
ベイズモデルとNNモデルを組み合わせた手法はこの問題に対処するが、実装は困難であり、訓練費も高い。
いくつかの方法はNNアーキテクチャやトレーニング手順を変更し、NNモデルの選択を制限する必要がある。
さらに、予測の不確実性は異なる情報源から生じる。
モデルが不確実性の原因に応じて様々なアクションを取ることができるため、異なるタイプの予測の不確実性を別々にモデル化する能力を持つことが重要である。
本稿では,薬物発見を目的としたNNモデルの予測不確かさを推定するUQ手法について検討する。
以前の化学化合物に関する知識を実験の設計に用いている。
可視化手法を用いて, 化合物の集合体から非重なり, 化学的に多様な分配を生成する。
これらのパーティションは、nnモデルの不確実性を調べるためのトレーニングとテストセット分割として使用される。
選択した手法によって推定された不確実性は,異なる分割および破砕スキームの下で異なる不確実性源を記述し,予測誤差との関係を示す。
関連論文リスト
- Uncertainty Measurement of Deep Learning System based on the Convex Hull of Training Sets [0.13265175299265505]
本研究では,訓練データの凸殻に基づくトレーニングモデルの不確実性を測定するTo-hull Uncertainity and Closure Ratioを提案する。
学習したデータの凸船体と見えないサンプルとの間の位置関係を観察し、サンプルが凸船体からどのように外挿されているかを推測することができる。
論文 参考訳（メタデータ） (2024-05-25T06:25:24Z) - Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。
モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。
BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
論文 参考訳（メタデータ） (2023-07-04T16:45:21Z) - Single-model uncertainty quantification in neural network potentials
does not consistently outperform model ensembles [0.7499722271664145]
ニューラルネットワーク(NN)は、遠く離れた地点であっても、予測に高い信頼性を割り当てることが多い。
不確かさ定量化(英: Uncertainty Quantification、UQ)は、物質系における原子間ポテンシャルのモデル化に使用されるときの課題である。
異なるUQ技術は、新しい情報データを見つけ、堅牢なポテンシャルのためにアクティブな学習ループを駆動することができる。
論文 参考訳（メタデータ） (2023-05-02T19:41:17Z) - Neural State-Space Models: Empirical Evaluation of Uncertainty
Quantification [0.0]
本稿では,ニューラル状態空間モデルを用いたシステム同定のための不確実性定量化に関する予備的結果を示す。
ベイズ確率的設定で学習問題をフレーム化し、ニューラルネットワークの重みと出力の後方分布を求める。
後部に基づいて,出力の信頼区間を構築し,潜在的に危険なアウト・オブ・ディストリビューション体制下でモデルの使用を効果的に診断できるサプライズ指標を定義する。
論文 参考訳（メタデータ） (2023-04-13T08:57:33Z) - 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) - Variational Neural Networks [88.24021148516319]
本稿では,変分ニューラルネットワーク(VNN)と呼ばれるニューラルネットワークにおける不確実性推定手法を提案する。
VNNは、学習可能なサブレイヤで入力を変換することで、レイヤの出力分布のパラメータを生成する。
不確実性評価実験において、VNNはモンテカルロ・ドロップアウトやベイズ・バイ・バックプロパゲーション法よりも優れた不確実性が得られることを示す。
論文 参考訳（メタデータ） (2022-07-04T15:41:02Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural
Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。
種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文 参考訳（メタデータ） (2022-02-07T12:30:45Z) - 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) - Multidimensional Uncertainty-Aware Evidential Neural Networks [21.716045815385268]
非可逆性(OOD)検出問題を解決するために、WGAN-ENN(WENN)と呼ばれる新しい不確実性認識NNを提案する。
我々は、Wasserstein Generative Adrial Network(WGAN)とENNを組み合わせて、あるクラスの事前知識でモデルを共同で訓練するハイブリッドアプローチを採用した。
WENNによる不確実性の推定は、OODサンプルと境界サンプルを有意に区別するのに役立つことを実証した。
論文 参考訳（メタデータ） (2020-12-26T04:28:56Z) - Frequentist Uncertainty in Recurrent Neural Networks via Blockwise
Influence Functions [121.10450359856242]
リカレントニューラルネットワーク(RNN)は、シーケンシャルおよび時系列データのモデリングに有効である。
RNNにおける既存の不確実性定量化のアプローチは、主にベイズ法に基づいている。
a)モデルトレーニングに干渉せず、その精度を損なうことなく、(b)任意のRNNアーキテクチャに適用し、(c)推定不確かさ間隔に関する理論的カバレッジ保証を提供する。
論文 参考訳（メタデータ） (2020-06-20T22:45:32Z)
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。