使用贝叶斯神经网络模型对分子性质预测的不确定性量化
文章通过对 5 个基准数据集的系统评估,研究不同的不确定性量化方法在回归任务中的性能表现,发现没有一种方法完全优于其他方法,也没有一种特别可靠的错误排名。作者建议在已有的技术中进行选择。
May, 2020
本文提出了一种通过考虑统一的不确定性来源并在新数据上重新校准预测分布的信息传递神经网络,能够使神经网络准确预测分子的形成能,并且提供可靠的不确定性估计。
Jul, 2021
本研究旨在定量比较 GCNNs 中不确定性估计的可扩展技术,介绍了一组定量标准来捕捉不同方面的不确定性,并使用这些标准在 QM9 数据集上理论和实验比较了 MC-Dropout、deep ensembles 和 bootstrapping 这些不确定估计方法,结果表明合奏和自举法始终优于 MC-Dropout 方法,在不同的具体情境中具有不同的优点和缺点,并突出了来自不同领域的不确定性所带来的挑战。
Oct, 2019
AutoGNNUQ 是一种自动化不确定性量化方法,通过生成一组高性能的图神经网络(GNNs)进行分子属性预测,实现对预测的不确定性的估计,并利用方差分解来提供减少不确定性的有价值见解。在多个基准数据集上的计算实验证明,AutoGNNUQ 在预测准确性和不确定性的性能方面优于现有的不确定性量化方法。此外,利用 t-SNE 可视化方法来探索分子特征与不确定性之间的相关性,为数据集的改进提供了见解。AutoGNNUQ 在药物发现和材料科学等领域具有广泛的应用价值。
Jul, 2023
本文介绍了如何使用不确定性量化(UQ)方法来改善预测分子属性的大型 Transformer 模型的置信度,并评估了不同的 backbone 和 UQ 模型组合的性能,提供了关于选择 UQ 和 backbone 模型的见解。
Jun, 2023
本研究应用 Bayesian 概率框架和近似推理技术,对神经状态空间模型进行不确定性量化,得出模型输出的可信区间和惊奇指数,以有效诊断模型在潜在危险的分布区域内的使用可能性。
Apr, 2023
这篇研究论文探究了一种新型的贝叶斯深度学习,通过在网络结构上执行贝叶斯推断来加强深度网络的不确定性估计,并提出了一种有效的随机变分推断方法,以统一网络结构和权重的学习。
Nov, 2019
本研究通过对 10 种常见的推断方法在回归和分类任务中的预测不确定性估计结果进行实证比较,发现常用的指标可能会导致误导,并表明为了得到高质量的后验逼近并不一定需要具有捕获后验结构的推断创新。
Jun, 2019