机构名称：
¥ 1.0
机器学习模型最近在预测分子量子化学性质方面显示出良好的前景。然而，要将其应用于现实生活需要（1）在低资源约束下学习，以及（2）对从未见过的结构多样的分子进行超出分布的推广。我们观察到，这两个挑战可以通过丰富的标签来解决，而这在量子化学中往往并非如此。我们假设，在大量未标记分子上进行伪标记可以作为金标记代理，以显著扩展训练标记数据集。伪标记的挑战在于防止不良伪标签使模型产生偏差。在熵最小化框架的启发下，我们开发了一个简单有效的策略 P SEUD σ，它可以分配伪标签，通过证据不确定性检测不良伪标签，并使用自适应加权防止它们使模型产生偏差。从经验上看，P SEUD σ 提高了全数据、低数据和分布外设置中的量子计算准确性。
用于量子计算的不确定性感知伪标记
主要关键词
相关文件推荐
