Jul, 2021

利用消息传递神经网络集合进行分子属性预测的校准不确定性

PDF
TL;DR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。
machine learningatomic structuresuncertainty estimationmessage passing neural networkmolecular formation energies
发现论文，激发创造
  • 具有校准的 Aleatoric 和 Epistemic 不确定性的图神经网络原子间势能集合在能量和力上的应用

    通过训练和重新校准图神经网络集合模型，预测能量和力量可以生成准确的预测和校准的不确定性估计，这是首个在机器学习神经网络中考虑了获得能量和力量上的校准的认知和偶然性不确定性预测的完整框架。

    May, 2023

  • 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

    本研究采用贝叶斯神经网络在分子性质预测中量化预测的不确定性，证明不确定性量化的必要性，从而提高分子应用的可靠性。

    Nov, 2018

  • 基于 DNN 的分子性质预测的可扩展不确定性估计方法评估

    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

  • 使用深度集成实现简单且可扩展的预测不确定性估计

    本研究提出了一种替代贝叶斯 NN 的简单实现方法，其能够产生高质量的预测不确定性估计，并在分类和回归数据集上进行了实验以证明这一点。此外，研究还评估了在已知和未知数据分布下的预测不确定性，并证明该方法能够在超出分布的样本上表现出更高的不确定性，同时在 ImageNet 上证明了该方法的可扩展性。

    Dec, 2016

  • 比较材料属性预测的不确定性量化方法

    本文介绍了一种用于判断计算化学中基于代理模型的不确定性估计质量的方法，利用机器学习中的数字度量指标、模型准确性及校准性检测等，通过各种性能指标来评估模型的质量，及一个使用卷积神经网络和高斯过程回归器的模型对吸附能的预测和不确定性的估计得到了最好的表现。

    Dec, 2019

  • 使用神经网络进行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

  • 关于测量离散概率神经网络的校准

    使用条件核平均嵌入测量标定差异，以提高机器学习模型的不确定性量化，并消除偏差和参数假设。初步实验基于合成数据展示了该方法的潜力，并计划用于更复杂的应用。

    May, 2024

  • 神经网络势能单模型的不确定性量化表现未必比模型集合更好

    本研究考察了用于提高神经网络相互作用势模型的稳健性的多个不确定性量化方案，包括平均 - 方差估计，深度证据回归和高斯混合模型，并与现有基于集成的方法进行比较。研究表明，对于不确定性量化，成本有效的单一确定性模型尚不能始终匹配或胜过集成方法。

    May, 2023

  • 深度学习模型不确定性的校准

    本文提出了一种基于概率贝叶斯方法的神经网络预测置信度校准方案，最大化置信度期望效用，用最大置信度校准误差度量预测的置信度和错误之间的关系，并在 COVID-19 诊断中测试取得了显著的效果。

    Jun, 2022

  • 量子化学中的神经消息传递

    本文介绍了一种基于神经网络模型的消息传递神经网络 (Message Passing Neural Networks, MPNN)， 并探索了 MPNNs 的衍生变体。在化学性质预测基准测试中，使用 MPNNs 获得了最先进的结果，表明将来的研究应该集中在具有更大分子或更精确地基础事实标签的数据集上。

    Apr, 2017