多保真训练改善MACE误差与不确定性排序，但校准仍不足
热点事件持续更新
多保真训练改善MACE误差与不确定性排序，但校准仍不足
1 篇报道1 个报道来源9 小时前更新
先了解这件事
AI 综述
Matteo Tolloso、Davide Bacciu 和 Luigi Bonati 比较了 MACE 模型的高保真从头训练与低保真预训练后微调，发现多保真训练降低预测误差、改善不确定性对样本的排序，但没有得到校准良好的预测方差；在未见分子系统和高能构型上，校准表现更差，能量外推时尤为明显。 研究还发现，多保真微调产生的不确定性采集函数比高保真从头训练更有效。
AI 根据报道生成 · 57 分钟前更新
最新进展10月28日 12:00
多保真训练重塑 MACE 原子模型的不确定性分解报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv · Machine Learning多保真训练重塑 MACE 原子模型的不确定性分解
研究人员比较 mean-variance MACE 深度集成模型的高保真从头训练与低保真预训练后微调，发现多保真训练降低预测误差、改善不确定性排序，却未带来校准良好的预测方差。在未见分子系统和高能构型上，校准会恶化，尤其在能量外推时；主要问题出现在高保真优化阶段，模型对留出数据的偶然方差估计过度自信。多保真微调还产生了比高保真从头训练更有效的不确定性采集函数。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。