12:14官方账号arXiv cs.LG@Nan Zheng, Hoi Yiu Cheung, Vibhu Sharma, James T. Thorson, Noel G. Cadigan研究人员提出使用模板模型构建器(TMB)实现神经网络混合效应模型(NMMs)的通用框架。该框架通过自动微分和拉普拉斯近似,仅需用户指定负联合对数似然和正则化项。TMB能自动积分随机效应并评估边际目标函数及其精确梯度,消除了手动推导的需求。研究通过两个数值示例展示了TMB-based NMMs的效率、灵活性和统计性能,包括单调NMMs的应用。论文NMMsTMB神经网络混合效应模型推荐理由:TMB让神经网络混合效应模型实现更简单,自动微分替代手动推导,提升模型复杂度和准确性。原文稍后读已读值得跟进有用关注 NMMs
13:46官方账号arXiv cs.LG@Paul Seij, Christian A. Naesseth, Stephan Mandt, Metod Jazbec扩散模型在3D分子生成中广泛应用,但缺乏对生成分子质量的可靠信号。研究者提出一种后处理方法,基于拉普拉斯近似对预训练分子扩散模型进行逐样本不确定性估计。该方法通过测量生成轨迹中噪声预测的变异性来评估不确定性,实验表明该分数与样本质量负相关。利用该分数过滤生成样本,可在测试时提升模型性能。论文扩散模型分子生成不确定性估计推荐理由:做分子生成或药物设计的团队,终于有了一个能判断生成分子质量好坏的信号,建议试试这个后处理方法,能直接提升模型输出质量。原文稍后读已读值得跟进有用关注 扩散模型