論文の概要: Materials Property Prediction with Uncertainty Quantification: A Benchmark Study

• arxiv url: http://arxiv.org/abs/2211.02235v1
• Date: Fri, 4 Nov 2022 03:04:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 17:39:54.074950
• Title: Materials Property Prediction with Uncertainty Quantification: A Benchmark Study
• Title（参考訳）: 不確実性定量化による材料特性予測:ベンチマークによる検討
• Authors: Daniel Varivoda and Rongzhi Dong and Sadman Sadeed Omee and Jianjun Hu
• Abstract要約: 不確実性定量化(UQ)は、堅牢な高性能で一般化可能な材料特性予測モデルの構築において重要性が増している。 本稿では,グラフニューラルネットワークを用いた材料特性予測のためのUQ手法の総合評価を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Uncertainty quantification (UQ) has increasing importance in building robust high-performance and generalizable materials property prediction models. It can also be used in active learning to train better models by focusing on getting new training data from uncertain regions. There are several categories of UQ methods each considering different types of uncertainty sources. Here we conduct a comprehensive evaluation on the UQ methods for graph neural network based materials property prediction and evaluate how they truly reflect the uncertainty that we want in error bound estimation or active learning. Our experimental results over four crystal materials datasets (including formation energy, adsorption energy, total energy, and band gap properties) show that the popular ensemble methods for uncertainty estimation is NOT the best choice for UQ in materials property prediction. For the convenience of the community, all the source code and data sets can be accessed freely at \url{https://github.com/usccolumbia/materialsUQ}.
• Abstract（参考訳）: 不確実性定量化(UQ)は、堅牢で汎用的な材料特性予測モデルの構築において重要性を高めている。 また、未知の領域から新しいトレーニングデータを取得することで、より優れたモデルをトレーニングするために、アクティブラーニングにも使用できる。 異なるタイプの不確実性ソースを考慮したUQ手法にはいくつかのカテゴリがある。 本稿では、グラフニューラルネットワークに基づく材料特性予測のためのUQ手法に関する総合評価を行い、エラー境界推定やアクティブラーニングにおける不確実性を真に反映しているかを評価する。 生成エネルギー, 吸着エネルギー, 総エネルギー, バンドギャップ特性を含む4つの結晶材料のデータセットに対する実験結果から, 不確実性推定のための一般的なアンサンブル法が材料特性予測におけるUQの最適選択ではないことが示された。 コミュニティの便宜上、すべてのソースコードとデータセットは \url{https://github.com/usccolumbia/materialsuq} で自由にアクセスできる。

関連論文リスト

• Out-of-distribution materials property prediction using adversarial learning based fine-tuning [0.0]
  本稿では,特定のデータセットに適応させるための微調整アプローチをターゲットとした逆学習を提案する。 実験では,限られたサンプルを持つMLにおいて,CALアルゴリズムの成功を高い有効性で実証した。
  論文  参考訳（メタデータ） (2024-08-17T21:22:21Z)
• Uncertainty Quantification in Multivariable Regression for Material Property Prediction with Bayesian Neural Networks [37.69303106863453]
  物理インフォームドBNNにおける不確実性定量化(UQ)のアプローチを提案する。 本稿では, 鋼のクリープ破断寿命を予測するためのケーススタディを提案する。 クリープ寿命予測の最も有望なフレームワークは、マルコフ・チェイン・モンテカルロによるネットワークパラメータの後方分布の近似に基づくBNNである。
  論文  参考訳（メタデータ） (2023-11-04T19:40:16Z)
• MUBen: Benchmarking the Uncertainty of Molecular Representation Models [32.41186397454142]
  不確実量化(UQ)法はモデルのキャリブレーションを改善するために用いられる。 我々は、最先端のバックボーン分子表現モデルのための異なるUQ法を評価するMUBenを提案する。 本研究は, バックボーンモデルのUQ選択に関する知見を提供し, 不確実性クリティカルなアプリケーションの研究を容易にする。
  論文  参考訳（メタデータ） (2023-06-14T13:06:04Z)
• Validation of uncertainty quantification metrics: a primer based on the consistency and adaptivity concepts [0.0]
  この研究は、UQ検証の導入として考えられており、すべての方法がいくつかの基本的なルールから導出されている。 これらの手法は、最近の物理化学機械学習UQ文献から抽出された合成データセットおよび代表例を用いて、図示し、検証する。
  論文  参考訳（メタデータ） (2023-03-13T15:13:03Z)
• Towards Clear Expectations for Uncertainty Estimation [64.20262246029286]
  不確実性定量化(UQ)は、信頼できる機械学習(ML)を実現するために不可欠である ほとんどのUQ手法は、異なる不整合評価プロトコルに悩まされている。 この意見書は、これらの要件を5つの下流タスクを通して指定することで、新たな視点を提供する。
  論文  参考訳（メタデータ） (2022-07-27T07:50:57Z)
• Distill-VQ: Learning Retrieval Oriented Vector Quantization By Distilling Knowledge from Dense Embeddings [50.903547893204234]
  本稿では,IVF と PQ の学習を知識蒸留フレームワーク内で統合する Distill-VQ を提案する。 VQモジュールは、予測された関連性を再現するために学習される「学生」として扱われる。 これによってDistill-VQは、大量のラベルのないデータから、相当量のトレーニング信号を導き出すことができる。
  論文  参考訳（メタデータ） (2022-04-01T03:30:40Z)
• 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)
• 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)
• Task-Specific Normalization for Continual Learning of Blind Image Quality Models [105.03239956378465]
  視覚的画像品質評価(BIQA)のための簡易かつ効果的な連続学習法を提案する。 このアプローチの重要なステップは、トレーニング済みのディープニューラルネットワーク(DNN)のすべての畳み込みフィルタを凍結して、安定性を明示的に保証することです。 我々は、各新しいIQAデータセット(タスク)に予測ヘッドを割り当て、対応する正規化パラメータをロードして品質スコアを生成する。 最終的な品質推定は、軽量な$K$-meansゲーティング機構で、すべての頭からの予測の重み付け総和によって計算される。
  論文  参考訳（メタデータ） (2021-07-28T15:21:01Z)
• Continual Learning for Blind Image Quality Assessment [80.55119990128419]
  ブラインド画像品質評価(BIQA)モデルは、サブポピュレーションシフトに継続的に適応できない。 最近の研究では、利用可能なすべての人間評価のIQAデータセットの組み合わせに関するBIQAメソッドのトレーニングが推奨されている。 モデルがIQAデータセットのストリームから継続的に学習するBIQAの継続的学習を策定する。
  論文  参考訳（メタデータ） (2021-02-19T03:07:01Z)
• Uncertainty Quantification Using Neural Networks for Molecular Property Prediction [33.34534208450156]
  複数の相補的な性能指標を用いて,5つのベンチマークデータセット上で複数の手法を体系的に評価した。 テストしたどのメソッドも他のどのメソッドよりも絶対的に優れているわけではなく、複数のデータセットにまたがって特に信頼性の高いエラーランキングを生成するものもありません。 我々は,既存の技術が他とよく関係しているように見えるものについて,実践的な勧告で結論付けている。
  論文  参考訳（メタデータ） (2020-05-20T13:31:20Z)

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。