计算化学家的预测不确定性验证
化学物理
2022-10-03 v9 数据分析、统计与概率
摘要
预测不确定性（PU）验证正成为现代计算化学的一项基本任务。为量化气象学预测可靠性而设计的校准-锐度（CS）框架，现被广泛用于优化与验证具有不确定性感知的机器学习（ML）方法。然而其应用不限于 ML，亦可作为任意 PU 验证的原则性框架。本文旨在逐步介绍 CS 框架下 PU 验证的概念与技术，并适配计算化学的特性。所呈现的方法从基础的图形检验到基于局部校准统计的更精细方法。文中引入了紧致性（tightness）概念。这些方法在合成数据集上予以说明，并应用于从计算化学文献中提取的不确定性量化数据。
引用
@article{arxiv.2204.13477,
title = {Prediction uncertainty validation for computational chemists},
author = {Pascal Pernot},
journal= {arXiv preprint arXiv:2204.13477},
year = {2022}
}
备注
Accepted for publication in J. Chem. Phys