基于图神经架构搜索的分子性质预测不确定性量化
机器学习
2024-07-02 v3 化学物理
生物大分子
摘要
图神经网络（GNNs）已成为一类突出的数据驱动分子性质预测方法。然而，典型 GNN 模型的一个关键局限在于无法量化预测中的不确定性。该能力对于确保模型在下游任务中可信赖的使用与部署至关重要。为此，我们引入 AutoGNNUQ，一种用于分子性质预测的自动化不确定性量化（UQ）方法。AutoGNNUQ 利用架构搜索生成一组高性能 GNNs，从而实现预测不确定性的估计。我们的方法采用方差分解来分离数据（偶然）不确定性和模型（认知）不确定性，为降低它们提供有价值的见解。在我们的计算实验中，我们证明 AutoGNNUQ 在多个基准数据集上的预测准确性和 UQ 性能均优于现有 UQ 方法。此外，我们利用 t-SNE 可视化探索分子特征与不确定性之间的相关性，为数据集改进提供见解。AutoGNNUQ 在药物发现和材料科学等领域具有广泛适用性，其中准确的不确定性量化对决策至关重要。
引用
@article{arxiv.2307.10438,
title = {Uncertainty Quantification for Molecular Property Predictions with Graph Neural Architecture Search},
author = {Shengli Jiang and Shiyi Qin and Reid C. Van Lehn and Prasanna Balaprakash and Victor M. Zavala},
journal= {arXiv preprint arXiv:2307.10438},
year = {2024}
}