論文の概要: Adapting Evidential Neural Networks to Test-Time Neighbor Fusion Improves Molecular Property Prediction

• arxiv url: http://arxiv.org/abs/2607.11091v1
• Date: Mon, 13 Jul 2026 04:59:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.334101
• Title: Adapting Evidential Neural Networks to Test-Time Neighbor Fusion Improves Molecular Property Prediction
• Title（参考訳）: 実測ニューラルネットワークの試験時間近傍核融合への適応は分子特性予測を改善する
• Abstract要約: トレーニングされた分子特性モデルを、最も類似したトレーニングされた分子のラベルで各予測を補正することにより、テスト時に洗練することができる。 この研究は、明らかな不確実性分解は単なる校正目的ではなく、実行可能な推論資源であることを示した。
• 参考スコア（独自算出の注目度）: 28.11511793703245
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A trained molecular property model can be refined at test time by correcting each prediction with the measured labels of the most similar training molecules, a retraining-free procedure we call neighbor fusion; evidential neural networks make it principled by using their aleatoric and epistemic uncertainty to parameterize a Bayesian update. Our main contribution, PG-EVIKAL, learns a property-distance metric to re-rank structurally similar neighbors by their property relevance before fusion, building on EVIKAL (scalar Kalman filter) and GP-EVIKAL (Gaussian process variant handling correlated neighbors). Evaluated on 16 molecular datasets, PG-EVIKAL reduces RMSE relative to the evidential model baseline on 14 of them, with a median reduction of 19.4%, and improves calibration; in sequential-assay scenarios it further incorporates newly measured molecules, refining predictions as they arrive without retraining. This work demonstrates that evidential uncertainty decomposition is not merely a calibration objective but an actionable inference resource that enables test-time refinement of molecular property predictions.
• Abstract（参考訳）: トレーニングされた分子特性モデルは、最も類似した訓練分子のラベルで各予測を補正することで、テスト時に洗練することができる。 PG-EVIKALは,EVIKAL(スカラーカルマンフィルタ)とGP-EVIKAL(ガウシアンプロセス変種)をベースとして,その特性関係を融合前に構造的に類似した隣人を再ランクする特性距離測定法を学習する。 16の分子データセットに基づいて評価され、PG-EVIKALは、14のモデルベースラインに対してRMSEを減少させ、中央値の19.4%を減少させ、キャリブレーションを改善した。 この研究は、明らかな不確実性分解は単なる校正目的ではなく、分子特性予測の試験時間改善を可能にする実行可能な推論資源であることを示した。

関連論文リスト

• Uncertainty-aware reinforcement learning for chemical language models [0.5156484100374058]
  強化学習(RL)はデノボ分子設計の強力なパラダイムとなっている。 我々は、不確実性を考慮したRLにより、CLMがより堅牢な化学空間を探索できることを示す。 これは、分子のスコアを損なうことなく、より信頼性の高いヒット発見につながる。
  論文  参考訳（メタデータ） (2026-06-23T14:42:46Z)
• Improving Minimax Estimation Rates for Contaminated Mixture of Multinomial Logistic Experts via Expert Heterogeneity [49.809923981964715]
  凍結したエキスパートとして機能する事前訓練されたモデルを、新しいタスクを学ぶためにトレーニング可能なエキスパートとして機能するアダプタモデルに統合するトランスファー学習手法によって、汚染された専門家の混合(MoE)が動機付けられる。 本研究は, 地絡パラメータがサンプルサイズによって異なる困難な条件下で, パラメータを推定するための一様収束率を特徴付ける。 また、対応するミニマックス下限を定め、これらのレートがミニマックス最適であることを保証する。
  論文  参考訳（メタデータ） (2026-01-31T23:45:50Z)
• Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation [85.58520120011269]
  本研究では,具体的スコアを用いてスコアマッチングを離散グラフに拡張するComposable Score-based Graph Diffusion Model (CSGD)を提案する。 CSGDは従来の手法よりも平均15.3%の制御性向上を実現していることを示す。 本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。
  論文  参考訳（メタデータ） (2025-09-11T13:37:56Z)
• Amortized In-Context Mixed Effect Transformer Models: A Zero-Shot Approach for Pharmacokinetics [0.0]
  Amortized In-Context Mixed-Effect Transformer (AICMET) モデルを提案する。 メカニカル・コンパートメンタル・プレファレンスと、文脈内ベイズ推論とを統一する。 実験の結果,AICMETは最先端の予測精度を達成し,患者間の変動を忠実に定量化することがわかった。
  論文  参考訳（メタデータ） (2025-08-21T15:45:17Z)
• SE(3)-Invariant Multiparameter Persistent Homology for Chiral-Sensitive Molecular Property Prediction [1.534667887016089]
  多パラメータ持続ホモロジー(MPPH)を用いた新しい分子指紋生成法を提案する。 この技術は、正確な分子特性予測が不可欠である薬物発見と材料科学において、かなりの重要性を持っている。 分子特性の予測における既存の最先端手法よりも優れた性能を示し,MoleculeNetベンチマークで広範囲な評価を行った。
  論文  参考訳（メタデータ） (2023-12-12T09:33:54Z)
• 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)
• Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
  ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。 分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。 本手法は精度と不確実性の両方を向上することを示す。
  論文  参考訳（メタデータ） (2021-09-27T01:09:08Z)
• Bayesian Graph Neural Networks for Molecular Property Prediction [15.160090982544867]
  本研究では、QM9回帰データセットを用いて、有向MPNNに適用されたベイズ的手法のセットをベンチマークする。 読み出しパラメータとメッセージパッシングパラメータの両方で不確実性を捕捉すると、下流分子探索タスクにおける予測精度、キャリブレーション、性能が向上することがわかった。
  論文  参考訳（メタデータ） (2020-11-25T22:32:54Z)
• 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)
• Nonparametric Score Estimators [49.42469547970041]
  未知分布によって生成されたサンプルの集合からスコアを推定することは確率モデルの推論と学習における基本的なタスクである。 正規化非パラメトリック回帰の枠組みの下で、これらの推定器の統一的なビューを提供する。 カールフリーカーネルと高速収束による計算効果を享受する反復正規化に基づくスコア推定器を提案する。
  論文  参考訳（メタデータ） (2020-05-20T15:01:03Z)

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。