文献

J-GLOBAL ID：202202234567027247   整理番号：22A0394357

メッセージ通過ニューラルネットワークのアンサンブルを用いた分子特性予測のためのキャリブレーション不確実性【JST・京大機械翻訳】

Calibrated uncertainty for molecular property prediction using ensembles of message passing neural networks

著者 (8件)： Busk Jonas (Department for Energy Conversion and Storage, Technical University of Denmark, Lyngby, Denmark) ,  Bjorn Jorgensen Peter (Department for Energy Conversion and Storage, Technical University of Denmark, Lyngby, Denmark) ,  Bhowmik Arghya (Department for Energy Conversion and Storage, Technical University of Denmark, Lyngby, Denmark) ,  Schmidt Mikkel N (Department of Applied Mathematics and Computer Science, Technical University of Denmark, Lyngby, Denmark) ,  Winther Ole (Department of Applied Mathematics and Computer Science, Technical University of Denmark, Lyngby, Denmark) ,  Winther Ole (Center for Genomic Medicine, Rigshospitalet, Copenhagen University Hospital, Copenhagen, Denmark) ,  Winther Ole (Bioinformatics Centre, Department of Biology, University of Copenhagen, Copenhagen, Denmark) ,  Vegge Tejs (Department for Energy Conversion and Storage, Technical University of Denmark, Lyngby, Denmark)
資料名： Machine Learning: Science and Technology  (Machine Learning: Science and Technology)
巻： 3  号： 1  ページ： 015012 (12pp)  発行年： 2022年 
JST資料番号： W6456A  ISSN： 2632-2153  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 機械学習に基づくデータ駆動法は,原子構造の計算機解析を加速する可能性を有する。この文脈において,信頼できる不確実性推定は,予測の信頼度を評価し,意思決定を可能にするのに重要である。しかし,機械学習モデルは,ひどく較正された不確実性推定を生産でき,従って,不確実性を注意深く検出し,取り扱うことが重要である。本研究では,較正された確率的予測分布を有する分子および材料の特性を予測するために特別に設計したメッセージ通過ニューラルネットワークを拡張した。本論文に示した方法は,統一されたフレームワークにおけるアリータリックとエピステリックの不確実性の両方を考慮することによって,また,予測的分布を非意味データに関して再較正することによって,以前の研究とは異なった。コンピュータ実験を通して,著者らのアプローチが,2つの公開分子ベンチマークデータセット,QM9とPC9に関する訓練データ分布において,十分に較正された不確実性を有する分子形成エネルギーを予測するための正確なモデルをもたらすことを示す。提案方法は,よく較正された不確実性推定を有する分子の性質の正確な予測を作成できるニューラルネットワークアンサンブルモデル訓練と評価の一般的なフレームワークを提供する。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 意思決定 ,  信頼度 ,  *不確実性 ,  *ニューラルネットワーク ,  原子構造 ,  コンピュータ ,  機械学習
準シソーラス用語： 訓練データ ,  形成エネルギー ,  データ駆動 ,  コンピュータ解析 , 【Automatic Indexing@JST】

分類 (1件)： 流出解析  (DC07030N)

タイトルに関連する用語 (7件)： メッセージ ,  ニューラルネットワーク ,  アンサンブル ,  分子特性 ,  予測 ,  キャリブレーション ,  不確実性