論文の概要: Uncertainty Estimation for Molecules: Desiderata and Methods
- arxiv url: http://arxiv.org/abs/2306.14916v1
- Date: Tue, 20 Jun 2023 15:50:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-02 13:28:28.402114
- Title: Uncertainty Estimation for Molecules: Desiderata and Methods
- Title（参考訳）: 分子の不確実性推定:デシデラタと方法
- Authors: Tom Wollschl\"ager and Nicholas Gao and Bertrand Charpentier and
Mohamed Amine Ketata and Stephan G\"unnemann
- Abstract要約: グラフニューラルネットワーク(GNN)は量子力学計算のためのサロゲートを約束している。
ディストリビューション(ID)エラーが低いにもかかわらず、アウト・オブ・ディストリビューション(OOD)サンプルでは、GNNが恐ろしいほど間違っている可能性がある。
ここで、この問題を詳しく調べ、不確実性推定のための6つのキーデシラタを同定する(UE)。
そこで我々は,デシラタを満たす既存のGNNへのガウスプロセス(GP)ベースの拡張として,LNK(Localized Neural Kernel)を提案する。
- 参考スコア（独自算出の注目度）: 29.883547991748138
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Neural Networks (GNNs) are promising surrogates for quantum mechanical
calculations as they establish unprecedented low errors on collections of
molecular dynamics (MD) trajectories. Thanks to their fast inference times they
promise to accelerate computational chemistry applications. Unfortunately,
despite low in-distribution (ID) errors, such GNNs might be horribly wrong for
out-of-distribution (OOD) samples. Uncertainty estimation (UE) may aid in such
situations by communicating the model's certainty about its prediction. Here,
we take a closer look at the problem and identify six key desiderata for UE in
molecular force fields, three 'physics-informed' and three
'application-focused' ones. To overview the field, we survey existing methods
from the field of UE and analyze how they fit to the set desiderata. By our
analysis, we conclude that none of the previous works satisfies all criteria.
To fill this gap, we propose Localized Neural Kernel (LNK) a Gaussian Process
(GP)-based extension to existing GNNs satisfying the desiderata. In our
extensive experimental evaluation, we test four different UE with three
different backbones and two datasets. In out-of-equilibrium detection, we find
LNK yielding up to 2.5 and 2.1 times lower errors in terms of AUC-ROC score
than dropout or evidential regression-based methods while maintaining high
predictive performance.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、分子動力学(MD)軌道の集合に対する前例のない低い誤差を確立するため、量子力学計算のためのサロゲートを約束している。
高速な推論時間のおかげで、彼らは計算化学の応用を加速することを約束する。
残念なことに、id (in-distribution) エラーが少ないにもかかわらず、そのようなgnnは、od (out-of-distribution) サンプルではひどく間違っているかもしれない。
不確実性推定(UE)はその予測についてモデルの確実性を伝えることでそのような状況を支援することができる。
ここでは、この問題を詳しく調べ、分子力場におけるUEの6つのキーデシラタ、物理インフォームド、3つのアプリケーション中心のデシラタを同定する。
この分野を概観するために、UEの分野から既存の手法を調査し、それらがdeiderata集合にどのように適合するかを分析する。
分析により,先行研究はすべての基準を満たさないと結論づけた。
このギャップを埋めるために,desiderataを満たす既存のgnnへのgaussian process(gp)ベースの拡張であるlocalized neural kernel(lnk)を提案する。
3つの異なるバックボーンと2つのデータセットを持つ4つの異なるUEをテストする。
平衡外検出では,高い予測性能を維持しつつ,AUC-ROCスコアの最大2.5倍,2.1倍の誤差が得られた。
関連論文リスト
- Uncertainty Quantification for Forward and Inverse Problems of PDEs via
Latent Global Evolution [110.99891169486366]
本稿では,効率的かつ高精度な不確実性定量化を深層学習に基づく代理モデルに統合する手法を提案する。
本手法は,フォワード問題と逆問題の両方に対して,堅牢かつ効率的な不確実性定量化機能を備えたディープラーニングに基づく代理モデルを提案する。
提案手法は, 長期予測を含むシナリオに適合し, 拡張された自己回帰ロールアウトに対する不確かさの伝播に優れる。
論文 参考訳（メタデータ） (2024-02-13T11:22:59Z) - Evaluating Uncertainty Quantification approaches for Neural PDEs in
scientific applications [0.0]
この研究は、科学応用におけるフォワード問題と逆問題の両方に対する様々な不確実量化(UQ)アプローチを評価する。
具体的には,ハミルトン・モンテカルロ (HMC) やモンテカルロ・ドロップアウト (MCD) などのベイズ法の有効性を検討する。
この結果から,ニューラルPDEは流れ系を効果的に再構築し,関連する未知パラメータを予測できることが示唆された。
論文 参考訳（メタデータ） (2023-11-08T04:52:20Z) - Disparity, Inequality, and Accuracy Tradeoffs in Graph Neural Networks
for Node Classification [2.8282906214258796]
グラフニューラルネットワーク(GNN)は、属性付きグラフのノードラベルを予測するための重要な人間のアプリケーションで、ますます使われている。
保護されたグループと保護されていないグループのノード間の分離性を減少させるPFR-AXと、ブラックボックスポリシーに基づいたモデル予測を更新するPostProcessという2つの新しいGNN非依存的介入を提案する。
PFR-AXとPostProcessは,保護群におけるノードの正の結果を正確に予測した場合に,粒度制御とモデル信頼度の向上を図っている。
論文 参考訳（メタデータ） (2023-08-18T14:45:28Z) - Uncertainty Quantification for Molecular Property Predictions with Graph Neural Architecture Search [2.711812013460678]
本稿では,分子特性予測のための自動不確実性定量化(UQ)手法であるAutoGNNUQを紹介する。
我々のアプローチでは、分散分解を用いてデータ(アラート)とモデル(エステミック)の不確実性を分離し、それらを減らすための貴重な洞察を提供する。
AutoGNNUQは、正確な不確実性定量化が意思決定に不可欠である薬物発見や材料科学などの領域で広く適用可能である。
論文 参考訳（メタデータ） (2023-07-19T20:03:42Z) - Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。
我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
論文 参考訳（メタデータ） (2023-04-13T17:56:08Z) - Evaluating the Adversarial Robustness for Fourier Neural Operators [78.36413169647408]
フーリエ・ニューラル・オペレータ(FNO)は、ゼロショット超解像で乱流をシミュレートした最初の人物である。
我々はノルム有界データ入力摂動に基づくFNOの逆例を生成する。
以上の結果から,モデルの強靭性は摂動レベルの増加とともに急速に低下することが明らかとなった。
論文 参考訳（メタデータ） (2022-04-08T19:19:42Z) - Non-Asymptotic Performance Guarantees for Neural Estimation of
$\mathsf{f}$-Divergences [22.496696555768846]
統計的距離は確率分布の相似性を定量化する。
このようなデータからの距離を推定する現代的な方法は、ニューラルネットワーク(NN)による変動形態のパラメータ化と最適化に依存する。
本稿では,このトレードオフを非漸近誤差境界を用いて検討し,SDの3つの一般的な選択に焦点をあてる。
論文 参考訳（メタデータ） (2021-03-11T19:47:30Z) - 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) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Probabilistic Neighbourhood Component Analysis: Sample Efficient
Uncertainty Estimation in Deep Learning [25.8227937350516]
トレーニングデータの量が少ない場合,最先端のBNNとDeep Ensembleモデルの不確実性推定能力は著しく低下することを示す。
サンプル効率の高い非パラメトリックkNN手法の確率的一般化を提案する。
我々のアプローチは、深いkNNがその予測において根底にある不確かさを正確に定量化することを可能にする。
論文 参考訳（メタデータ） (2020-07-18T21:36:31Z) - 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。