Jun, 2023

生物序列离线设计的得分条件生成器的自助式训练

PDF
TL;DR研究优化生物序列的问题，并提出了 BootGen 算法，通过代理评分功能来训练生成器，以使生成的生物序列更接近高评分样本，结果实验证明该算法在生物序列设计任务上优于竞争基准。
biological sequencesbootgen algorithmscore-based generationproxy score functionsequential design tasks
发现论文，激发创造
  • 黑盒优化的生成式预训练

    BONET 是一个使用离线数据集为基础，训练一个新的黑盒优化器的生成框架，采用单调转移启发式策略，实现从低保真度到高保真度的采样，在 Design-Bench 中的实验结果显示，BONET 使用一个因果掩码转换器的实例，在平均排名上表现最佳，优于现有技术基准。

    Jun, 2022

  • 面向生物序列设计的基于种群的黑盒优化

    该研究论文研究了如何通过黑盒优化算法设计新的生物序列，提出了一种名为 P3BO 的人口基础的黑盒优化算法，并结合进化优化算法在线调整超参数，实验证明 P3BO 可以提供更高质量、多样化的序列，是将机器学习应用于实际序列设计的重要步骤。

    Jun, 2020

  • 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

  • 离线强化学习中的引导式 Transformer

    本文提出了一种名为 Bootstrapped Transformer 的新算法，将 bootstrapping 思想和模型自我生成更多离线数据相结合，进一步提高序列模型训练的效果，该方法在两个离线 RL 基准测试中均取得了优于其他强基线方法的效果，并分析其生成的伪数据所展示出的特点可能会对离线 RL 训练产生启示。

    Jun, 2022

  • 离线基于模型优化的设计编辑

    离线基于模型的优化（MBO）旨在最大化黑箱目标函数，仅使用设计和分数的离线数据集。我们引入一种名为离线模型优化设计编辑（DEMO）的新方法，通过在离线数据集上应用训练好的代理模型的梯度上升来产生一个合成数据集，用于训练条件扩散模型以生成高分设计，并通过直接将离线数据集中的高分特征加入到设计生成过程中进行了改进。实证评估表明，DEMO 在 7 个离线 MBO 任务中优于各种基准方法。

    May, 2024

  • 基于扩散模型的离线模型优化导向轨迹生成

    通过使用离线数据集，我们引入了一种新颖的条件生成建模方法，生成通向高分区域的轨迹，从而提高复杂和高维黑盒函数的最优化效果。

    Jun, 2024

  • 从嘈杂数据中引导生成器

    本文旨在利用大规模数据集中的对齐松散的数据和相关文本（例如 DBPedia 事实和维基百科摘要）自动学习数据表示与文本之间的对应关系，使用多实例学习方法自动发现数据和文本对之间的对应关系，并展示如何将其用于训练编码器 - 解码器架构，提高模型性能。

    Apr, 2018

  • 贝叶斯优化用于合成基因设计

    本文提出了一种三步法来解决合成基因设计中的优化问题，使用高斯过程模型来模拟细胞行为，定义了基于生物有意义的基因特征的最优基因设计规则，提出了多任务获得函数来同时优化多个感兴趣的方面，并定义了一个评估函数来排列和选择符合最佳设计策略的候选基因序列集合，并在哺乳动物细胞的实验中证明了该方法的性能。

    May, 2015

  • 利用 GFlowNets 进行生物序列设计

    本文提出一种利用表观不确定性评估和最近提出的 GFlowNets 作为生成器的主动学习算法，旨在在每一轮后获得一批有用且信息量大的候选解，并在此基础上设计了新的生物序列设计任务模型，并对其进行了实验验证，在多个任务上取得了良好的效果。

    Mar, 2022

  • 使用去噪自编码器加速生物序列设计的贝叶斯优化

    LaMBO 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。

    Mar, 2022