A Composite-Loss Graph Neural Network for the Multivariate Post-Processing of Ensemble Weather Forecasts
Faculty of Informatics, University of Debrecen（德布勒森大学信息学院）
本文提出一种复合损失图神经网络用于集合天气预报的多变量后处理，通过结合能量评分和变差图评分提升预测精度和依赖关系恢复能力。
2025-09-08 stat.AP stat.ML
Ensemble Distillation for Structured Prediction: Calibrated, Accurate, Fast-Choose Three
University of Maryland（马里兰大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
现代神经网络并不总是产生校准良好的预测，即使在使用适当的评分函数（如交叉熵）进行训练时也是如此。在分类设置中，简单的方法，如保序回归或温度标度可以与保留的数据集结合使用，以校准模型输出。然而，将这些方法扩展到结构化预测并不总是简单或有效的;此外，保持的校准集可能并不总是可用的。在本文中，我们研究合奏蒸馏作为一个通用的框架，产生良好的校准结构化的预测模型，同时避免了令人望而却步的推理时间成本的合奏。我们验证这个框架上的两个任务：命名实体识别和机器翻译。我们发现，在这两项任务中，合奏蒸馏产生的模型保留了大部分，偶尔提高，合奏的性能和校准的好处，而只需要一个单一的模型在测试时。
2021-03-25 cs.CL cs.LG stat.ML
EnsLoss: Stochastic Calibrated Loss Ensembles for Preventing Overfitting in Classification
The Chinese University of Hong Kong（香港中文大学）
本文提出EnsLoss方法，将集成学习扩展到损失函数层面，通过随机校准损失导数在单次训练中实现损失集成，并在多个数据集上验证了其优于固定损失方法的性能。
2024-09-04 cs.LG stat.ME stat.ML
Better Boosting with Bandits for Online Learning
University College London（伦敦大学学院）；Usher Institute of Population Health Sciences and Informatics（亚瑟人口健康科学与信息学研究所）；NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心）；University of Manchester（曼彻斯特大学）
由于该算法的边际最大化性质，由提升集合生成的概率估计值校准得很差。集合的输出需要在它们可以用作概率估计之前被适当地校准。在这项工作中，我们证明了在线提升也容易产生扭曲的概率估计。在批量学习中，通过保留部分训练数据用于训练校准器函数来实现校准。在在线设置中，需要在每一轮中做出决定：新的示例是否用于更新集合的参数或校准器的参数。我们着手解决这一决定的帮助下，强盗优化算法。我们表现出优越的性能，未校准和天真校准的在线提升合奏的概率估计。我们提出的机制可以很容易地适应其他任务（例如成本敏感的分类），是强大的校准器和合奏的超参数的选择。
2020-01-16 cs.LG stat.ML
Bayesian X-Learner: Calibrated Posterior Inference for Heterogeneous Treatment Effects under Heavy-Tailed Outcomes
Independent researcher（独立研究者）
本文提出贝叶斯X学习器，通过交叉拟合双重稳健伪结果和Welsch红降伪似然，实现对异质处理效应的校准后验推断，具有鲁棒性与高精度。
2026-04-30 cs.LG stat.ML
On Power Laws in Deep Ensembles
National Research University Higher School of Economics（国家研究型高等经济大学）；Samsung AI Center（三星人工智能中心）
众所周知，深度神经网络的集合在不确定性估计中实现了最先进的性能，并导致精度提高。在这项工作中，我们专注于一个分类问题，并调查的行为的非校准和校准的负对数似然（CNLL）的深度合奏作为合奏大小和成员网络大小的函数。我们指出的条件下，CNLL遵循幂律w.r.t.系综大小或成员网络大小，并分析所发现的幂律的参数的动态。我们重要的实际发现是，一个大型网络的性能可能比具有相同参数总数的几个中型网络的集合更差（我们称之为记忆分裂）。使用检测到的类似幂律的依赖关系，我们可以预测（1）具有给定结构的网络集成的可能增益，（2）基于相对少量的训练网络，给定内存预算的最佳内存分配。我们在arXiv：2005.07292中更详细地描述了内存分割优势效应
2021-06-28 cs.LG stat.ML
Enforcing tail calibration when training probabilistic forecast models
Department of Mathematics and Statistics, University of Exeter（埃克塞特大学数学与统计学系）；Seminar for Statistics, ETH Zurich（苏黎世联邦理工学院统计研讨会）；Institute of Statistics, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院统计研究所）
针对现有概率预测模型极端事件预测校准不足的问题，提出加权评分规则损失与尾部误校准正则化方法，可提升英国风速极端值预测校准度，但存在极端与常见结果校准的权衡。
2025-06-16 cs.LG stat.AP stat.ML
Revisiting Explicit Regularization in Neural Networks for Well-Calibrated Predictive Uncertainty
ESTsoft（ESTsoft公司）
从统计学习的角度来看，通过显式正则化的复杂性控制是提高过参数化模型泛化能力的必要条件。然而，仅使用隐式正则化的神经网络令人印象深刻的泛化性能可能与这种传统智慧不一致。在这项工作中，我们重新审视了显式正则化的重要性，以获得良好的校准预测的不确定性。具体来说，我们引入了校准性能的概率度量，这是由对数似然下界。然后，我们探索显式正则化技术，以提高未见过的样本的对数似然，这提供了良好的校准预测的不确定性。我们的研究结果提出了一个新的方向，以提高确定性神经网络的预测概率质量，这可以是一个有效的和可扩展的替代贝叶斯神经网络和集成方法。
2021-02-06 cs.LG stat.ML
Feedback-Calibrated Protein Optimization with Batch-Aligned Tail Arbitration
University of Science and Technology of China（中国科学技术大学）；Nanjing University（南京大学）；Anhui University（安徽大学）
提出BATA方法，利用实验反馈自适应融合先验与任务特定排序，在蛋白质优化中实现最佳平均任务排名1.67。
2026-09-30 cs.LG
Balanced Product of Calibrated Experts for Long-Tailed Recognition
Linköping University（林雪平大学）；Husqvarna Group（胡斯华纳集团）；University of KwaZulu-Natal（夸祖鲁-纳塔尔大学）
本文提出 BalPoE，将 logit 调整扩展为面向不同测试目标分布的专家乘积，证明其对平衡误差具有 Fisher 一致性，并用 mixup 校准专家，在三个长尾基准上达到最先进性能。
2023-06-07 cs.CV cs.LG
Graph Neural Network Interatomic Potential Ensembles with Calibrated Aleatoric and Epistemic Uncertainty on Energy and Forces
Technical University of Denmark（丹麦技术大学）；Rigshospitalet, Copenhagen University Hospital（哥本哈根大学医院国立医院）；University of Copenhagen（哥本哈根大学）
提出了一种训练和重新校准图神经网络集成模型的完整框架，在能量和力预测中实现了校准的认知与偶然不确定性，在公开数据集上表现出低误差和良好的不确定性校准。
2023-09-11 cs.LG physics.chem-ph
Diverse Ensembles Improve Calibration
University of Edinburgh（爱丁堡大学）
现代深度神经网络可能会产生校准不良的预测，特别是当训练和测试分布不匹配时。训练一组模型并对其预测进行平均可以帮助缓解这些问题。我们提出了一个简单的技术，以提高校准，使用不同的数据增强为每个合奏成员。我们还使用了“混合”未增强和增强输入的想法，以改善测试和训练分布相同时的校准。这些简单的技术提高了CIFAR10和CIFAR100基准测试中强基线的校准和准确性，以及来自其损坏版本的域外数据。
2020-07-08 cs.LG stat.ML
Adaptive Consensus in LLM Ensembles via Sequential Evidence Accumulation: Automatic Budget Identification and Calibrated Commit Signals
Independent Researcher（独立研究员）
本文提出DASE方法，通过顺序证据累积实现LLM集成的自适应共识，通过自动预算识别和校准承诺信号提升推理准确性。
2026-05-14 cs.LG
Subsampled Ensemble Can Improve Generalization Tail Exponentially
UC Berkeley（加州大学伯克利分校）；Columbia University（哥伦比亚大学）
本文提出通过子采样集提升泛化尾部性能的方法，实现指数级风险衰减，优于传统方差减少方法。
2026-01-03 cs.LG math.OC stat.ML
AdaPCLA: Adaptive Prior-Calibrated Logit Adjustment for Long-Tailed Longitudinal EHR Generation
University of Science and Technology of China（中国科学技术大学）；Sun Yat-sen University（中山大学）
研究针对纵向电子健康记录生成中标准模型的不足，提出AdaPCLA框架，通过数据分布感知训练策略、模拟退火训练及零样本分布控制实现自适应拟合与生成，理论分析刻画相关界限，实验验证其在多方面有提升。
2026-10-15 cs.LG
On the Calibration of Probabilistic Classifier Sets
Ghent University（根特大学）；LMU Munich（慕尼黑大学）
本文将校准概念从单个概率分类器扩展到概率分类器集合，提出新的非参数校准检验方法，并通过实验揭示深度神经网络集成普遍校准不佳的问题。
2023-04-19 cs.LG stat.ML
UATTA-ENS: Uncertainty Aware Test Time Augmented Ensemble for PIRC Diabetic Retinopathy Detection
Manipal Institute of Technology（马尼帕尔理工学院）；Manipal Academy of Higher Education（马尼帕尔高等教育学院）
深度嵌入卷积神经网络已成为分析医学图像的首选方法，其诊断性能与医生相当，包括糖尿病视网膜病变的诊断。然而，常用的技术是确定性的，因此无法提供任何估计的预测不确定性。量化模型的不确定性对于降低误诊风险至关重要。一个可靠的架构应该经过良好的校准，以避免过度自信的预测。为了解决这个问题，我们提出了一个UATTA-ENS：不确定性感知测试时间增强Entrance技术5类PIRC糖尿病视网膜病变分类，以产生可靠的和校准良好的预测。
2022-11-08 cs.AI cs.CV cs.LG
Calibrated and uncertain? Evaluating uncertainty estimates in binary classification models
Department of Computer science, Electrical engineering and Mathematical sciences Western Norway University of Applied Sciences（计算机科学、电气工程和数学科学系西部挪威应用科学大学）；Department of Informatics University of Bergen（信息学院卑尔根大学）
本研究评估了六种二分类模型在不确定性估计上的表现，发现所有算法在合成数据上校准良好，但深度学习方法在分布外数据点上的不确定性估计不一致。
2026-02-17 cs.LG stat.ML
RandomSCM: interpretable ensembles of sparse classifiers tailored for omics data
Université Laval（拉瓦尔大学）；Element AI, a ServiceNow company（ServiceNow旗下Element AI公司）
背景：理解组学和表型之间的关系是精准医学的核心问题。代谢组学数据的高维性对学习算法的可扩展性和泛化能力提出了挑战。大多数学习算法不产生可解释的模型-方法：我们提出了一个集成的学习算法基于合取或析取的决策规则。结果：代谢组学数据的应用表明，它产生的模型具有很高的预测性能。模型的可解释性使得它们对于高维数据中的生物标志物发现和模式发现非常有用。
2022-08-11 cs.LG
Efficient Bayesian Deep Ensembles via Analytic Predictive Inference
Wm Michael Barnes ’64 Department of Industrial and Systems Engineering（工业与系统工程系）
该研究提出一种高效贝叶斯深度集成方法用于预测回归，结合贝叶斯推理与深度集成优势。通过低维集成表示、闭式贝叶斯聚合和独立集成训练三个关键组件，在保持可靠不确定性估计时实现了有竞争力的预测性能。
2026-07-09 cs.LG stat.ME
Prediction Intervals: Split Normal Mixture from Quality-Driven Deep Ensembles
Norwegian University of Science and Technology (NTNU)（挪威科技大学）
预测区间是一种机器和人类可解释的方式，用于表示回归分析中的预测不确定性。在本文中，我们提出了一种方法，用于生成预测区间以及点估计从合奏的神经网络。我们提出了一个多目标的损失函数融合的质量措施有关的预测区间和点估计，和惩罚函数，这加强了语义完整性的结果和稳定的神经网络的训练过程。集成的预测区间被聚合为分裂的正态混合物，考虑到后验预测分布的可能的多峰性和不对称性，并导致捕获任意和认知不确定性的预测区间。我们的研究结果表明，我们的质量驱动的损失函数和我们的聚合方法有助于良好校准的预测区间和点估计。
2020-07-19 cs.LG stat.ML
Long-tailed Classification from a Bayesian-decision-theory Perspective
Purdue University（普渡大学）
长尾分类是一个挑战，因为它的严重不平衡的类概率和尾部敏感性风险与不对称的错误预测成本。最近的尝试使用了重新平衡损失和集成方法，但它们在很大程度上是启发式的，严重依赖于经验结果，缺乏理论解释。此外，现有的方法忽略了决策损失，其特征在于与尾类相关的不同成本。本文从贝叶斯决策理论的角度提出了一个一般性和原则性的框架，它统一了现有的技术，包括再平衡和集成方法，并提供了理论证明，他们的有效性。从这个角度来看，我们得到一个新的目标的基础上的综合风险和贝叶斯深度集成方法，以提高所有类的准确性，特别是“尾巴”。此外，我们的框架允许任务自适应决策损失，提供可证明的最佳决策，在不同的任务场景，以及量化不确定性的能力。最后，我们进行了全面的实验，包括标准分类，尾部敏感的分类与一个新的假头率度量，校准，和消融研究。我们的框架显着改进了当前的SOTA，即使是在像ImageNet这样的大规模真实世界数据集上。
2023-03-21 cs.CV cs.LG stat.ML
CLEAR: Calibrated Learning for Epistemic and Aleatoric Risk
Department of Operations, HEC, University of Lausanne（洛桑大学运营管理系）；Department of Statistics, University of California, Berkeley（加州大学伯克利分校统计系）；Department of Electrical Engineering and Computer Science, University of California, Berkeley（加州大学伯克利分校电气工程与计算机科学系）；BegooAI
提出校准方法CLEAR，用两个参数结合测量噪声偶然不确定性与数据有限认知不确定性，提升回归任务预测区间条件覆盖率，与多种估计器兼容，在多数据集上效果良好。
2026-07-07 cs.LG stat.ME stat.ML
Diversity regularization in deep ensembles
Computer Vision and Systems Laboratory / REPARTI and Big Data Research Centre（计算机视觉与系统实验室/REPARTI与大数据研究中心）；Université Laval（拉瓦尔大学）
校准监督学习模型的置信度对于预测的确定性应该是可靠的各种上下文是重要的。然而，据报道，深度神经网络模型通常校准得太差，无法实现在其预测中需要可靠的不确定性估计的复杂任务。在这项工作中，我们提出了一种使用多样性函数正则化训练深度集合的策略，该策略在保持相似预测精度的同时提高了校准性能。
2018-02-22 cs.LG
Uncertainty Quantification and Deep Ensembles
National University of Singapore（新加坡国立大学）
众所周知，深度学习方法存在校准问题：它们通常会产生过于自信的估计。这些问题在低数据制度下更加严重。虽然概率模型的校准得到了很好的研究，但在低数据状态下校准极度过度参数化的模型提出了独特的挑战。我们表明，深合奏不一定会导致改进的校准性能。事实上，我们证明了标准的集成方法，当与现代技术（如混合正则化）结合使用时，可能会导致校准较少的模型。本文探讨了在数据稀缺时利用深度学习的三种最简单、最常用的方法之间的相互作用：数据增强、集成和后处理校准方法。虽然标准的合奏技术肯定有助于提高准确性，我们证明，深合奏的校准依赖于微妙的权衡。我们还发现，当使用深度集成时，需要稍微调整温度缩放等校准方法，并且至关重要的是，需要在平均过程之后执行。我们的模拟表明，这种简单的策略可以减半的预期校准误差（ECE）的一系列基准分类问题相比，在低数据制度的标准深度合奏。
2021-11-02 cs.LG stat.ML
Ensemble of Pre-Trained Models for Long-Tailed Trajectory Prediction
Oxford Robotics Institute, Department of Engineering Science, University of Oxford（牛津大学机器人研究所、工程科学系、牛津大学）；Division of Robotics, Perception, and Learning (RPL), KTH Royal Institute of Technology（机器人、感知与学习 division，皇家理工学院）；Scania CV AB（Scania CV AB公司）；Bristol Robotics Laboratory (BRL), University of the West of England（布里斯托尔机器人实验室（BRL），西英格兰大学）
研究城市车辆轨迹预测问题，提出无需重训练的预训练模型集成方法，通过置信度加权平均结合多个最先进深度学习模型，在NuScenes和Argoverse数据集上长尾指标提升10%。
2025-09-17 cs.AI cs.LG
Interpolation of GEDI Biomass Estimates with Calibrated Uncertainty Quantification
University of Cambridge（剑桥大学）
本文提出利用注意力神经过程（ANPs）进行GEDI生物量估计插值，通过校准不确定性量化提升预测准确性与不确定性校准效果。
2026-10-15 cs.CE cs.CV cs.LG
LoRA-Ensemble: Efficient Uncertainty Modelling for Self-Attention Networks
ETH Zurich（苏黎世联邦理工学院）；Agroscope（农业生态观测机构）
LoRA-Ensemble通过低秩适应方法实现自注意力网络的高效不确定性建模，优于现有隐式集合方法并达到显式集合的准确度水平。
2026-03-07 cs.LG
FiLM-Ensemble: Probabilistic Deep Learning via Feature-wise Linear Modulation
ETH Zurich（苏黎世联邦理工学院）；LMU Munich（慕尼黑大学）；University of Zurich（苏黎世大学）
在现实世界中部署机器学习时，估计认知不确定性的能力通常至关重要，但现代方法通常会产生过度自信，未经校准的不确定性预测。量化认知不确定性的一种常见方法是训练模型集成，这种方法可用于广泛的预测模型。在简单的实现中，集成方法具有高计算成本和高存储器需求。这特别挑战了现代深度学习，其中即使是单个深度网络在计算和存储器方面也已经要求很高，并且已经引起了在实际上不实例化单独的集合成员的情况下仿真模型集合的多次尝试。我们介绍了FiLM-Ensemble，一种基于逐行线性调制（FiLM）概念的深层隐式集成方法。这项技术最初是为多任务学习开发的，目的是解耦不同的任务。我们表明，这个想法可以扩展到不确定性量化：通过用Film调制单个深度网络的网络激活，可以获得具有高度多样性的模型集合，从而获得对认知不确定性的良好校准估计，相比之下，计算开销较低。从经验上讲，FiLM-Ensemble优于其他隐式集成方法，并且它非常接近显式网络集成的上界（有时甚至超过它），而内存成本只有一小部分。
2022-12-19 cs.LG
DiscoUQ: Structured Disagreement Analysis for Uncertainty Quantification in LLM Agent Ensembles
Temple University（Temple 大学）
本文提出DiscoUQ框架，通过分析代理间分歧的结构特性，提升不确定性量化效果，实验表明其在多个基准测试中表现优异，尤其在弱分歧层级表现突出。
2026-03-21 cs.CL cs.LG
Quantum parameter estimation with uncertainty quantification from continuous measurement data using neural network ensembles
Department of Physics, University of Virginia, 382 McCormick Rd, Charlottesville, VA 22903, USA（弗吉尼亚大学物理系）
本文提出利用深度神经网络集合进行量子参数估计，同时实现不确定性量化，具有更快的推理速度和更好的不确定性校准能力。
2026-10-05 cs.LG quant-ph
Expert-Calibrated Learning for Online Optimization with Switching Costs
University of California, Riverside（加州大学河滨分校）
我们研究在线凸优化与切换成本，一个实际上很重要，但也极具挑战性的问题，由于缺乏完整的离线信息。通过利用基于机器学习（ML）的优化器的强大功能，ML增强的在线算法（本文中也称为专家校准）已经成为最先进的技术，具有可证明的最坏情况性能保证。尽管如此，通过使用训练ML模型作为独立优化器并将其插入ML增强算法的标准实践，平均成本性能可能非常不令人满意。为了解决“如何学习”的挑战，我们提出了EC-L2 O（专家校准学习优化），它通过明确考虑下游专家校准器来训练基于ML的优化器。为了实现这一目标，我们提出了一种新的可微分专家校准器，它概括了正则化的在线平衡下降，并在预测误差较大时提供了比纯ML预测更好的竞争比。对于训练，我们的损失函数是两个不同损失的加权和-一个最小化平均ML预测误差以获得更好的鲁棒性，另一个最小化校准后的平均成本。我们还为EC-L2 O提供了理论分析，强调专家校准甚至可以有益于平均性价比，并且EC-L2 O实现的成本与离线最佳预言机（即，尾成本比率）可以有界。最后，我们通过运行可持续数据中心需求响应的模拟来测试EC-L2 O。我们的研究结果表明，EC-L2 O可以凭经验实现较低的平均成本以及较低的竞争比现有的基线算法。
2022-04-22 cs.LG math.OC
Neural Processes Maintain Calibrated Biomass Estimates Across Spatiotemporal Gaps and Disturbance
University of Cambridge（剑桥大学）
本文提出神经过程框架用于时空稀疏数据下的生物量估计，通过空间-时间对称建模实现校准的不确定性预测，适用于森林碳核算的MRV应用。
2026-04-11 cs.CE cs.LG
Large-scale protein-protein post-translational modification extraction with distant supervision and confidence calibrated BioBERT
RMIT University（皇家墨尔本理工大学）
蛋白质-蛋白质相互作用（PPI）对正常细胞功能至关重要，并与许多疾病途径相关。然而，只有4%的PPI在IntAct等生物知识数据库中使用PTM进行注释，主要通过人工策展进行，既不省时也不划算。我们使用IntAct PPI数据库来创建一个远程监督数据集，该数据集注释了相互作用的蛋白质对、其相应的PTM类型以及来自PubMed数据库的相关摘要。我们训练了一组BioBERT模型--称为PPI-BioBERT-x10，以提高置信度校准。我们扩展使用的合奏平均置信度的方法与置信度的变化，以抵消类不平衡的影响，以提取高置信度的预测。在测试集上评价的PPI-BioBERT-x10模型得到适度的F1-micro 41.3（P = 58.1，R = 32.1）。然而，通过结合高置信度和低变异来识别高质量的预测，调整预测的精度，我们保留了19%的测试预测，精度为100%。我们在1800万份PubMed摘要上评估了PPI-BioBERT-x10，并提取了160万（546507个独特的PTM-PPI三联体）PTM-PPI预测，并过滤了约5700（4584个独特的）高置信度预测。在这5700个样本中，对一个小型随机抽样子集的人工评估显示，尽管进行了置信度校准，但精度仍降至33.7%，并强调了即使进行了置信度校准，在测试集之外的普遍性挑战。我们通过只包括与多篇论文相关的预测来规避这个问题，将精度提高到58.8…
2022-01-06 cs.CL cs.LG
Calibrated Bagging Deep Learning for Image Semantic Segmentation: A Case Study on COVID-19 Chest X-ray Image
Prairie View A&M University（普雷里维尤农工大学）
严重急性呼吸道综合征冠状病毒2（SARS-CoV-2）导致2019冠状病毒病（COVID-19）。影像检查，如胸部X光检查（CXR）和计算机断层扫描（CT），可为临床工作人员提供有用的信息，以促进以更有效和全面的方式诊断COVID-19。作为人工智能（AI）的突破，深度学习已通过分析CXR和CT数据应用于COVID-19感染区域分割和疾病分类。然而，这些任务的深度学习模型的预测不确定性，这是非常重要的安全关键型应用，如医疗图像处理，尚未得到全面的研究。在这项工作中，我们提出了一种新的集成深度学习模型，通过集成装袋深度学习和模型校准，不仅提高了分割性能，而且降低了预测的不确定性。所提出的方法已在与CXR图像分割相关的大型数据集上进行了验证。实验结果表明，该方法可以提高分割性能，同时降低预测的不确定性。
2022-05-27 cs.CV cs.LG eess.IV
Probabilistic adjustment of seasonal forecasts using cVAE with a non-parametric decoder: A case study of Arctic sea ice predictions
Canadian Centre for Climate Modelling and Analysis（加拿大气候建模与分析中心）
本研究提出基于条件变分自编码器的概率后处理框架，通过生成器替代高斯参数化解码器并采用连续排序概率评分优化，有效校正季节预报的系统偏差并提升分辨率与谱能量。
2026-10-27 cs.LG physics.ao-ph
A graph representation of molecular ensembles for polymer property prediction
Massachusetts Institute of Technology（麻省理工学院）
合成聚合物是用途广泛的材料。类似于小的有机分子，假设可以访问此类材料的大化学空间。计算性质预测和虚拟筛选可以通过优先考虑预期具有有利性质的候选物来加速聚合物设计。然而，与有机分子相比，聚合物通常不是定义明确的单一结构，而是类似分子的集合，这对传统的化学表示和机器学习方法提出了独特的挑战。在这里，我们介绍了一个图形表示的分子系综和相关的图神经网络架构，是专门为聚合物性能预测。我们证明，这种方法捕捉到了聚合物材料的关键特征，例如链结构、单体化学计量和聚合度，并达到了比现成化学信息学方法更高的准确性。在这样做的同时，我们为具有不同单体组成、化学计量和链结构的>40k聚合物建立了模拟电子亲和势和电离势值的数据集，其可用于开发其他定制的机器学习方法。在这项工作中提出的数据集和机器学习模型为聚合物信息学的新算法铺平了道路，更广泛地说，引入了一个分子系综建模的框架。
2022-05-17 cond-mat.soft cs.LG
