論文の概要: Outlier-Detection for Reactive Machine Learned Potential Energy Surfaces

• arxiv url: http://arxiv.org/abs/2402.17686v1
• Date: Tue, 27 Feb 2024 17:01:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-28 15:28:12.193991
• Title: Outlier-Detection for Reactive Machine Learned Potential Energy Surfaces
• Title（参考訳）: 反応機械学習型ポテンシャルエネルギー表面の外部検出
• Authors: Luis Itza Vazquez-Salazar and Silvan K\"aser and Markus Meuwly
• Abstract要約: 反応分子ポテンシャルエネルギー表面(PES)に、大きな予測誤差(外乱)を持つサンプルを検出する不確かさ定量(UQ)を適用する。 The three method - Ensembles, Deep Evidential Regression (DER), and Gaussian Mixture Models (GMM) were applied to the H-transfer reaction between $it syn-$Criegee and vinyl hydroxyperoxide。 その結果, アンサンブルモデルが外乱検出に最適な結果となり, 次いでGMMが得られた。
• 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) to detect samples with large expected errors (outliers) is applied to reactive molecular potential energy surfaces (PESs). Three methods - Ensembles, Deep Evidential Regression (DER), and Gaussian Mixture Models (GMM) - were applied to the H-transfer reaction between ${\it syn-}$Criegee and vinyl hydroxyperoxide. The results indicate that ensemble models provide the best results for detecting outliers, followed by GMM. For example, from a pool of 1000 structures with the largest uncertainty, the detection quality for outliers is $\sim 90$ \% and $\sim 50$ \%, respectively, if 25 or 1000 structures with large errors are sought. On the contrary, the limitations of the statistical assumptions of DER greatly impacted its prediction capabilities. Finally, a structure-based indicator was found to be correlated with large average error, which may help to rapidly classify new structures into those that provide an advantage for refining the neural network.
• Abstract（参考訳）: 反応分子ポテンシャルエネルギー表面(PES)に、大きな予測誤差(異常値)を持つサンプルを検出する不確実量化(UQ)を適用する。 3つの方法(アンサンブル、深発的回帰(der)、ガウス混合モデル(gmm)を、${\it syn-}$criegee と vinyl hydroxyperoxide のh移動反応に適用した。 その結果, アンサンブルモデルが外乱検出に最適な結果となり, 次いでGMMが得られた。 例えば、最大の不確実性を持つ1000の構造物のプールから、エラーが大きい25または1000の構造物を求めると、それぞれ$\sim 90$ \%と$\sim 50$ \%である。 反対に、derの統計的仮定の限界は、その予測能力に大きな影響を与えた。 最後に、構造に基づく指標は、大きな平均誤差と相関することが判明し、ニューラルネットワークを洗練する利点となる新しい構造を迅速に分類するのに役立つ可能性がある。

関連論文リスト

• G-computation for increasing performances of clinical trials with individual randomization and binary response [0.43541492802373877]
  臨床試験では、ランダムなアロケーションは腕間の予後因子のバランスを目標とし、真の共同設立者を防ぐ。 したがって、特に関連するパワーの増加のため、予後因子の調整が推奨される。 本稿では,機械学習によるG-computationが,サンプルサイズが小さい場合でもランダム化臨床試験に適した方法であると仮定した。
  論文  参考訳（メタデータ） (2024-11-15T10:18:38Z)
• Robust deep learning from weakly dependent data [0.0]
  本稿では, 弱い依存度を持つ観測結果から, 非有界損失関数と非有界入力/出力を含む頑健な深層学習を考察する。 これらの境界と$r$の関係を導き、データが任意の順序のモーメント(すなわち$r=infty$)を持つとき、収束率はよく知られた結果に近い。
  論文  参考訳（メタデータ） (2024-05-08T14:25:40Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• dotears: Scalable, consistent DAG estimation using observational and interventional data [1.220743263007369]
  因果性遺伝子制御ネットワークはDAG(direct acyclic graph)によって表現できる 単一の因果構造を推論する継続的最適化フレームワークであるtexttdotears$[doo-tairs]を提示する。 我々は、$texttdotears$は、軽度の仮定の下で真DAGの証明可能な一貫した推定量であることを示した。
  論文  参考訳（メタデータ） (2023-05-30T17:03:39Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Neural Importance Sampling for Rapid and Reliable Gravitational-Wave Inference [59.040209568168436]
  まず、ニューラルネットワークを用いてベイズ後部への高速な提案を行い、その基礎となる可能性と事前に基づいて重み付けを行う。 本発明は,(1)ネットワーク不正確性のない修正後部,(2)提案案の評価と故障事例の同定のための性能診断(サンプル効率),(3)ベイズ証拠の偏りのない推定を提供する。 LIGOとVirgoで観測された42個のブラックホールをSEOBNRv4PHMとIMRPhenomHMXP波形モデルで解析した。
  論文  参考訳（メタデータ） (2022-10-11T18:00:02Z)
• 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)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)
• ResAtom System: Protein and Ligand Affinity Prediction Model Based on Deep Learning [1.1493209685387984]
  我々は,resnetニューラルネットワークを用いたタンパク質リガンド親和性予測モデルを構築した。 その結果,ResAtom-Scoreと組み合わせてDeltaVinaRF20を用いることで,スコア関数に近い親和性予測が実現できることがわかった。
  論文  参考訳（メタデータ） (2021-04-17T15:37:10Z)
• Shaping Deep Feature Space towards Gaussian Mixture for Visual Classification [74.48695037007306]
  視覚分類のためのディープニューラルネットワークのためのガウス混合損失関数(GM)を提案する。 分類マージンと可能性正規化により、GM損失は高い分類性能と特徴分布の正確なモデリングの両方を促進する。 提案したモデルは、追加のトレーニング可能なパラメータを使わずに、簡単かつ効率的に実装できる。
  論文  参考訳（メタデータ） (2020-11-18T03:32:27Z)

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。