评估前沿：主动学习、模型精度与多目标材料发现及优化
机器学习
2020-01-28 v3 机器学习
统计方法学
摘要
通过迭代的机器学习指导候选材料提议——主动学习，可以极大加速新材料的发现。然而，用于模型质量的标准全局范围误差度量并不能预测发现性能，且可能产生误导。我们引入帕累托壳范围误差的概念，以帮助判断模型用于提议材料候选的适用性。此外，通过合成案例和一个热电数据集，我们探究了采集函数保真度与主动学习性能之间的关系。结果提出了新的诊断工具，以及对采集函数设计的新见解。
引用
@article{arxiv.1911.03224,
title = {Assessing the Frontier: Active Learning, Model Accuracy, and Multi-objective Materials Discovery and Optimization},
author = {Zachary del Rosario and Matthias Rupp and Yoolhee Kim and Erin Antono and Julia Ling},
journal= {arXiv preprint arXiv:1911.03224},
year = {2020}
}
备注
17 pages, 10 figures