Jason R. Hattrick-Simpers

材料与分子性质预测的主动学习常把高不确定性样本当作模型缺失的信息。形成能、带隙和溶解度三项任务上，不确定性分别来自损失景观采样与多种子重训集成，再用线性校准因子和神经网络校准。校准后的不确定性在分布外数据上通常未能减少模型改进所需的数据量，与随机抽样和未校准估计相比没有优势，且各方法误差棒相互重叠。

材料与分子性质预测的主动学习常把高不确定性样本当作模型缺失的信息。形成能、带隙和溶解度三项任务上，不确定性分别来自损失景观采样与多种子重训集成，再用线性校准因子和神经网络校准。校准后的不确定性在分布外数据上通常未能减少模型改进所需的数据量，与随机抽样和未校准估计相比没有优势，且各方法误差棒相互重叠。