利用主动子空间捕捉深度生成模型分子设计中的认知模型不确定性

Apr, 2024

利用主动子空间捕捉深度生成模型分子设计中的认知模型不确定性

Leveraging Active Subspaces to Capture Epistemic Model Uncertainty in Deep Generative Models for Molecular Design

A N M Nafiz Abeer, Sanket Jantre, Nathan M Urban, Byung-Jun Yoon

TL;DR通过利用低维活跃子空间捕捉模型参数的不确定性，提出了一种基于活跃子空间的不确定性量化方案，用于高维参数空间中估计表观模型不确定性，并展示了在表观不确定性下探索分子优化的模型多样性的实证研究，为生成分子设计中的不确定性问题提供了解决方法。

Abstract

deep generative models have been accelerating the inverse design process in material and drug design. Unlike their counterpart property predictors in typical molecular design frameworks, generative molecular desi

deep generative models inverse design uncertainty quantification junction-tree variational autoencoder active subspace

发现论文，激发创造

深度神经网络中的有效可扩展不确定性量化学习主动子空间

本研究提出了一种新颖的方案，通过构建神经网络参数的低维子空间（称为活跃子空间）来解决贝叶斯深度学习中由于参数空间的高维导致的计算复杂性限制。我们展示了显著降低的活跃子空间，通过 Monte Carlo（MC）采样方法或变分推断实现了可行和可扩展的贝叶斯推断，为各种回归任务提供了可靠的预测和鲁棒的不确定性估计。

Sep, 2023

基于不确定性指导下的变分自编码器精细调优强化生成分子设计

通过性能反馈在主动学习环境中，我们提出了一种预先训练的变分自动编码器 (VAE) 基因设计模型的模型不确定性引导微调的新方法，通过量化生成模型中的模型不确定性，扩展了有效分子的空间，并利用多样性解码器探索生成优化的多个高性能模型，实验结果表明，我们的不确定性引导微调方法在六个目标分子属性上始终优于原始预训练模型。

May, 2024

利用解码器不确定性提高 VAE 潜空间中的黑盒优化

使用表观不确定性来指导潜在空间内的优化过程，利用重要性采样估计表观不确定性来生成更真实且有效的高维离散对象，在数字生成、算术表达式逼近和药物设计的分子生成等多个实验中都表现出优异的性能。

Jun, 2021

变分自编码器中学习潜在子空间

本文提出了一种基于变分自编码器的生成模型，使用互信息最小化学习与每个标签相关的低维潜空间，并展示了其在特征操作上的实用性。

Dec, 2018

贝叶斯深度学习的子空间推断

本文提出了一种构建参数空间低维子空间的方法，并在这些子空间中应用椭圆切片采样和变分推断的贝叶斯模型平均方法，以产生准确的预测和良好的预测不确定性。

Jul, 2019

贝叶斯半结构子空间推断

通过子空间推理为半结构化回归模型提供贝叶斯近似，解决了考虑认知不确定性的问题，并展示了卓越的预测性能。