11:39arXiv cs.LG@Tuan A. Vu, Harri Lähdesmäki, Julien Martinelli精选潜空间贝叶斯优化(LSBO)用于分子和蛋白质等结构化对象的设计,但现有上下文学习模型(如TabPFN)在LSBO中存在任务不匹配问题:它们预训练于标准回归任务,而LSBO中潜码到目标值的映射差异显著。研究者提出通过分子VAE的潜空间合成优化任务对表格基础模型进行持续预训练,并加入正则化项保持原始回归先验。在分子优化基准上,该模型表现强劲,验证了LSBO特定适配对上下文代理的重要性。这项工作为AI驱动的分子设计提供了更高效的优化方法。论文贝叶斯优化潜空间优化分子设计上下文学习TabPFN推荐理由:做分子设计或材料优化的团队终于有了适配LSBO的上下文学习代理——它解决了预训练任务与潜空间优化不匹配的痛点,直接提升分子优化效率,建议做AI制药或计算化学的开发者试试。原文