基于贝叶斯神经网络分子性质预测的不确定性量化
机器学习
2019-03-21 v1 机器学习
摘要
深度神经网络在各种分子应用中已优于现有机器学习模型。在实际应用中,由于训练数据质量和数量不足引起的预测不确定性,仍难以做出可信决策。在此,我们通过三个数值实验表明贝叶斯神经网络有助于量化分子性质预测的不确定性。特别地,它使我们能够将预测方差分解为模型驱动和数据驱动的不确定性,从而有助于阐明误差来源。在 logP 预测中,我们表明数据噪声对数据驱动不确定性的影响比对模型驱动不确定性的影响更显著。基于该分析,我们能够在 Harvard Clean Energy Project 数据集中发现意外错误。最后,我们通过生物活性和毒性分类问题表明预测的置信度与预测不确定性密切相关。
引用
@article{arxiv.1903.08375,
title = {Uncertainty quantification of molecular property prediction with Bayesian neural networks},
author = {Seongok Ryu and Yongchan Kwon and Woo Youn Kim},
journal= {arXiv preprint arXiv:1903.08375},
year = {2019}
}