ICMLMar, 2022

使用去噪自编码器加速生物序列设计的贝叶斯优化

PDF
TL;DRLaMBO 是一种新的 Bayesian optimization 方法，采用了联合训练的方法，结合 Denoising Autoencoder 和多任务 Gaussian Process Head 进行多目标优化，以实现在离散高维空间中进行生物序列设计。
bayesian optimizationlambodrug designmulti-objective optimizationbiological sequence design
发现论文，激发创造
  • 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

  • 自动化化学设计的约束贝叶斯优化

    本文提出一种将自动化化学设计概括为使用贝叶斯优化过程，其中包含使用变分自动编码器的潜在空间；进一步将搜索过程转化为约束贝叶斯优化问题，以解决一些根据潜在空间的变分自动编码器所引起的路径问题并且表明其可以在众多生成任务中使用。

    Sep, 2017

  • 通过学习相关潜空间推进贝叶斯优化

    通过引入 Lipschitz 正则化和损失加权等方法，我们提出了一种相关的潜空间贝叶斯优化（CoBO）方法，用于优化黑盒函数中的离散数据。在分子设计和算术表达式拟合等离散数据的多个优化任务中，我们的方法在较小的资源预算下取得了高性能。

    Oct, 2023

  • 基于本地潜空间的结构化输入贝叶斯优化

    本篇论文中提出了一种新的 LOL-BO 方法，通过重新解释 DAE 的编码器功能，称其为 “trust regions”，将局部优化与输入空间中的局部优化更好地对齐，实现了对六个真实世界基准的 20 倍性能提升。

    Jan, 2022

  • 结合潜空间和结构核的组合空间贝叶斯优化

    本文提出了一种基于结构耦合核的 BO 方法 LADDER，使用深度生成模型的潜在表示来优化组合空间，解决了传统 BO 方法中代理模型只利用深度生成模型学习的信息对黑盒函数进行近似的缺陷，并通过实验验证表现优越。

    Nov, 2021

  • 转移学习贝叶斯优化在诊断测定中设计竞争 DNA 分子

    通过结合转移学习代理模型和贝叶斯优化，本文提出了一种实现工程生物分子装置的定制生物序列开发的设计实验工作流程，旨在减少实验数量并提高预测准确性。

    Feb, 2024

  • HypBO: 专家引导化学家参与贝叶斯搜索新材料

    机器人技术和自动化为解决材料发现等难以处理的多变量科学问题提供了巨大的加速，而巨大的搜索空间可能令人望而生畏。贝叶斯优化（BO）已成为一种流行的高效样本优化引擎，在目标函数 / 属性没有已知的解析形式的任务中蓬勃发展。本文利用专家人类假设的形式来更快地将贝叶斯搜索定向到化学空间的有前途的区域。我们提出的方法称为 HypBO，利用专家人类假设生成改进的样本种子。不太有希望的种子被自动折扣，而有希望的种子被用于增加代理模型数据，从而实现更有信息的抽样。这个过程在一个全局与局部搜索的框架中继续进行。我们在一系列合成函数上验证了我们方法的性能，并在一个真实的化学设计任务上展示了其实用性，其中使用专家假设显著加速了搜索性能。

    Aug, 2023

  • PG-LBO：通过伪标签和高斯过程引导增强高维贝叶斯优化

    基于变分自编码器的贝叶斯优化（VAE-BO）在处理高维结构化优化问题方面表现出出色的性能。我们提出了一种新颖的方法，通过利用无标签数据的引导，来有效地利用无标签数据与有标签数据进行训练，从而增强鉴别性潜空间的构建。本文中的方法在各种优化场景中胜过现有的 VAE-BO 算法。

    Dec, 2023

  • 通过潜在决策模型的隐藏约束贝叶斯优化

    这篇论文介绍了一种名为 Hidden-Constrained Latent Space Bayesian Optimization (HC-LSBO) 的新型贝叶斯优化方法，它集成了潜在决策模型，并利用可变自编码器学习可行决策的分布，从而实现原始决策空间与较低维潜在空间的双向映射。通过这种方式，HC-LSBO 捕捉了公共政策制定中固有的隐藏约束的微妙差别，允许在潜在空间进行优化，同时在原始空间中评估目标。我们通过在合成和真实数据集上进行数字实验验证了这种方法，具体关注了乔治亚州亚特兰大的大规模警区划问题。我们的结果显示，与基线相比，HC-LSBO 在性能和效率方面均有显著改进。

    Oct, 2023

  • 利用随机先验网络进行高维输出的可伸缩贝叶斯优化

    本文提出了一个深度学习框架，基于具有随机先验的 bootstrap 整合的神经体系结构，用于贝叶斯优化和连续决策。该框架能够在高维输出的情况下逼近设计变量和感兴趣数量之间的函数关系，测试表明该方法在优化轮毂叶片的形状等高度复杂的任务中具有明显的优越性。

    Feb, 2023