Jul, 2022

遗传扰动实验的神经设计

PDF
TL;DR本文提出了一种理论上可行的方法来探索批量扰动以最大化目标基因表型，介绍了一个称为优先臂淘汰的约束优化技术，并发现在模拟和真实基因扰动数据的实验中，优先臂淘汰算法明显优于其他算法。
genetic modificationcellular phenotypeperturbationsbatch query optimizationoptimistic arm elimination
发现论文，激发创造
  • 基于遗传多臂赌博机的通过仿真进行离散优化的强化学习方法

    本文提出了一种新算法 GMAB，将强化学习领域的多臂赌博机和遗传算法中的随机搜索策略相结合，通过模拟来解决离散随机优化问题。实验结果表明，GMAB 在大量测试问题中取得了优越的性能。

    Feb, 2023

  • 贝叶斯实验设计中基于梯度的随机优化方法

    本文从贝叶斯角度研究非线性系统的最优实验设计问题，提出了基于梯度的随机优化方法，并通过传感器放置问题的数值试验证明了该方法的性能。

    Dec, 2012

  • DiscoBAX: 基因组实验设计中最佳干预集的发现

    减少临床试验失败风险的实验设计方法，通过发现与遗传驱动的病理有关的基因，最大限度地改变目标表型，并且在基因组实验中探索多样性机制，从而优于现有的实验设计方法。

    Dec, 2023

  • 对成功的对抗样本的鲁棒性界限：理论与实践

    该研究选择了对抗样本（AE）作为机器学习的一种攻击方法，通过对数据添加不可感知的扰动来诱导错分。研究通过使用高斯过程（GP）分类，探究了成功 AE 的概率上限，并证明了该上限取决于 AE 的扰动范数、GP 中使用的核函数以及训练数据集中不同标签最近对之间的距离。令人惊讶的是，该上限并不依赖于样本数据集的分布情况。通过在 ImageNet 上进行的实验证明了我们的理论结果，并展示了改变核函数参数会导致成功 AE 概率上限的变化。

    Mar, 2024

  • 可微分的多目标因果贝叶斯实验设计

    我们提出了一种基于梯度的方法来解决贝叶斯最优实验设计问题，以在批处理设置中学习因果模型。我们完全摆脱了黑盒优化技术和贪婪启发式方法，并提出了一个概念上简单的端到端梯度优化过程，以获得一组最优干预目标状态组。这种方法 outperforms 多个基线和现有获取策略，无论是在单目标还是在多目标设置下。

    Feb, 2023

  • 游戏中的突变偏好学习

    我们提出了基于进化博弈理论考虑的两种多智能体强化学习算法的变体。 一个变体的有意简化使我们能够证明它与一类常微分方程系统的复制子 - 变异体动力学的关系，从而通过它的常微分方程对应项在各种环境中展示了该算法的收敛条件。相较于更复杂的算法，另一个更复杂的变体允许与 Q 学习算法进行比较。我们在一系列环境中通过实验将这两个变体与 WoLF-PHC 和频率调整的 Q 学习进行比较，展示了我们的变体在维度增加的情况下保持收敛性的实例与更复杂算法的对比。解析结果的可用性相对于纯经验案例研究提供了一定的可转移性，展示了在处理收敛性和可靠的推广问题时，动力系统视角对多智能体强化学习的普适性。

    May, 2024

  • 面向目标的贝叶斯最优非线性模型实验设计中的马尔可夫链蒙特卡洛方法

    采用基于贝叶斯方法的计算框架，通过最大化信息增益来确定在非线性观测和预测模型下，最优实验设计以提高感兴趣的预测量的精确度。

    Mar, 2024

  • 最短编辑路径交叉：演化神经结构搜索中置换问题的理论驱动解决方案

    本论文提出了一种新的基于最短编辑路径的交叉操作符，该操作符在图结构上克服了排列问题，并在黑盒神经架构搜索中实现了比变异、标准交叉和强化学习更好的预期进展，因此允许充分利用种群搜索。新的交叉操作符可以作为黑盒神经架构搜索方法的基础理论。

    Oct, 2022

  • 上下文固定预算的最佳臂识别：具有策略学习的自适应实验设计

    个性化治疗建议、最佳治疗方法鉴定、上下文信息、自适应实验以及策略学习是这篇研究论文的关键词，通过推荐最佳治疗方法的决策策略获得最小的预期简单后悔，同时为政策学习、实验设计和自适应福利最大化提供了新的方法。

    Jan, 2024

  • 设计贝叶斯最优实验的统一随机梯度方法

    本文提出了一种全概率梯度方法来解决贝叶斯最优实验设计的问题，该方法利用变分下界来进行预期信息增益的优化，并提供多种变分目标，最终表现出比现有方法在高维设计优化中更有效的性能。

    Nov, 2019