基于消息传递神经网络集成的不确定性校准用于分子性质预测
机器学习
2021-11-04 v2 机器学习
摘要
基于机器学习的数据驱动方法有望加速原子结构的计算分析。在此背景下，可靠的不确定性估计对于评估预测置信度和支持决策至关重要。然而，机器学习模型可能产生校准不良的不确定性估计，因此仔细检测和处理不确定性十分关键。在这项工作中，我们扩展了专为预测分子与材料性质而设计的消息传递神经网络，为其配备校准的概率预测分布。本文提出的方法与以往工作的不同之处在于，它在统一框架中同时考虑偶然不确定性和认知不确定性，并对未见过的数据重新校准预测分布。通过计算机实验，我们表明我们的方法在 QM9 和 PC9 两个公开分子基准数据集上，能够准确预测分子形成能，并在训练数据分布内与外均给出良好校准的不确定性。所提方法为训练和评估能够准确预测分子性质并提供良好校准不确定性估计的神经网络集成模型提供了通用框架。
引用
@article{arxiv.2107.06068,
title = {Calibrated Uncertainty for Molecular Property Prediction using Ensembles of Message Passing Neural Networks},
author = {Jonas Busk and Peter Bjørn Jørgensen and Arghya Bhowmik and Mikkel N. Schmidt and Ole Winther and Tejs Vegge},
journal= {arXiv preprint arXiv:2107.06068},
year = {2021}
}