深层生成模型一直在加快材料和药物设计中的反设计过程。与典型的分子设计框架中的Coun-Terpart性质预测变量不同,生成的分子设计模型由于其大量参数所带来的贝叶斯推论所提出的计算挑战,因此在不确定性定量(UQ)上的努力更少。在这项工作中,我们专注于结树变异自动编码器(JT-VAE),这是一种流行的生成分子设计模型,并通过杠杆来解决此问题,以捕获低维活性子空间(AS)以捕获模型参数中的不确定性。具体而言,我们在活动子空间参数上占据了后验分布,以估计非常高维参数空间中认知模型的不确定性。所提出的UQ方案不需要对模型档案的任何更改,因此很容易适用于任何预训练的模型。我们的实验证明了基于AS的UQ的功效及其对分子优化的潜在影响,通过在认知不确定性下表达模型多样性。
![arxiv:2405.00202v2 [CS.LG] 2024年8月15日PDF文件第1页](/bimg/d/d78bd6590936ff71d8ea3c2b9b764822afb32214.webp)
![arxiv:2405.00202v2 [CS.LG] 2024年8月15日PDF文件第2页](/bimg/b/bd0dc526a05f94854ca1e35979379aa7f28e44b0.webp)
![arxiv:2405.00202v2 [CS.LG] 2024年8月15日PDF文件第3页](/bimg/7/701f1091acfe7f01ba7a777ed0a602c1e910785e.webp)
![arxiv:2405.00202v2 [CS.LG] 2024年8月15日PDF文件第4页](/bimg/3/348b506ec47982fa8057dfa584a5e682a39b902e.webp)
![arxiv:2405.00202v2 [CS.LG] 2024年8月15日PDF文件第5页](/bimg/f/fff5c53d05d0a68f1c04f0ba03b2a82da8f9b86c.webp)
