Oct, 2020

AdaLead：一种简单且强大的自适应贪心搜索算法用于序列设计

PDF
TL;DR本文中，我们使用开源自动化工具 FLEXS 对采用不同算法的优化问题进行了测试和评估，并开发了一种易于实现、可扩展和稳健的进化贪心算法 (AdaLead)，该算法在多种生物序列设计挑战中具有明显的优势。
biological sequencesdirected evolutionoptimizationreinforcement learningevolutionary algorithms
发现论文，激发创造
  • FLEX: 一种非线性系统自适应探索算法

    本论文介绍了一种基于最优试验设计的非线性动力学探索算法 FLEX，其策略最大化下一步的信息并具有适应性，可与通用参数学习模型兼容且需要最少的资源，在不同环境下进行测试并证明其性能与计算成本低。

    Apr, 2023

  • LEA: 基于学习优化策略的进化算法之外

    设计一种可学习的进化算法（LEA）来实现从手工设计的优化策略到学习的优化策略的转变，能够高效地利用目标任务的低保真信息来形成优化策略，以更少的计算成本获得更好的解决方案。

    Apr, 2023

  • 高效引导局部搜索的设计：进化计算与大型语言模型超越人类的实例

    我们用大型语言模型结合进化计算范式提出了一种新的算法进化（AEL）框架，用于自动算法设计，并在旅行商问题中使用 AEL 设计了引导算法。实验证明，AEL 设计的引导算法在相同迭代预算下优于人工设计的引导算法，标志着自动算法设计的新纪元的出现。

    Jan, 2024

  • 基于树搜索的进化赌博机算法用于蛋白质序列优化

    利用树搜索和强化学习模型，提高蛋白质工程过程的效率，并在实验中展示了其样本高效和小突变数量下找到顶级设计的能力。

    Jan, 2024

  • 主动自适应的序列学习

    提出了一种主动和自适应地解决一系列机器学习问题的框架，该框架通过使用一些未标记数据池中的最具信息量的样本，利用先前步骤中获得的信息，使用基于随机梯度下降的主动学习算法来实现近乎最优的风险性能，并构建了一个学习问题变化的估计器，通过使用主动学习样本提供一种自适应的样本大小选择规则，以保证足够的时间步数时超额风险是有界的。

    May, 2018

  • 元强化学习和贝叶斯优化设计生物序列

    本文通过 MetaRLBO，提出了一种对于生物序列的加速设计方法，使用 Meta-Reinforcement Learning 训练自回归生成模型，以 Bayesian Optimization 为辅助选择出有前途的序列，获得较强的鲁棒性和相对具有竞争力的结果。

    Sep, 2022

  • 利用机器学习辅助的组合库定向蛋白质进化

    通过机器学习指导的定向进化方法，可以更快速地探索突变多个位点编码的序列空间，从而大大提高通过蛋白工程实现梳理蛋白质序列空间的效率和多样性。在以人类 GB1 结合蛋白为例的实验中，机器学习指导的定向进化找到比其他定向进化方法更好的变异体，并成功地创造出合成两种可能的产物对映体的酶，通过两轮进化得到了催化选择性分别为 93％和 79％的变异体。

    Feb, 2019

  • 使用大型语言模型的算法演进

    利用大型语言模型进行算法进化，能够自动生成优化算法，减少人工专家和领域知识的需求，在解决推销员旅行问题方面表现优异，具有出色的可伸缩性，与先前的利用语言模型作为搜索操作符的尝试大不相同。

    Nov, 2023

  • 自适应序列次模性

    本文通过子模性的角度来解决适应性、顺序性问题，提出了具有强理论保证的自适应贪心策略，同时在亚马逊产品推荐和维基百科链接预测任务上进行了实验。

    Feb, 2019

  • AdaX: 指数长期记忆的自适应梯度下降

    本文发现 Adam 算法的快速收敛可能会导致算法陷入局部极小值，为解决这一问题，我们提出了 AdaX 算法，与 Adam 不同之处在于 AdaX 能够在训练过程中积累过去的梯度信息，实现自适应调节学习率，同时本文也证明了 AdaX 算法在凸性和非凸性情景下均能收敛，实验结果表明 AdaX 在计算机视觉和自然语言处理等多个任务上的表现优于 Adam，且能够与随机梯度下降 (SGD) 保持一致。

    Apr, 2020