AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：贝叶斯优化×
6月16日
20:46
6月12日
12:57
6月11日
15:28
15:23
15:07
6月9日
11:39
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
5月26日
12:21
12:21arXiv cs.LG@Jinwoo Go, Xiaoning Qian, Byung-Jun Yoon
精选
传统贝叶斯最优实验设计（BOED）以最大化参数信息增益为目标，但在决策关键场景中，减少参数不确定性并不总能改善下游决策。研究者提出GoBOED框架，直接针对指定决策目标优化实验设计，结合摊销变分后验代理与可微凸决策层，实现梯度驱动的设计优化。理论证明GoBOED梯度对决策无关参数方向不敏感，从而在更广泛的实验设计空间内达到同等决策质量。在源定位、疫情管理和药代动力学控制等任务中，GoBOED找到的设计更贴合下游决策目标，且近优设计窗口远宽于传统方法。
论文贝叶斯优化实验设计决策优化GoBOED机器学习
推荐理由：做实验设计或决策优化的研究者终于有了一个直接对齐目标的方法——GoBOED 让实验设计不再浪费在无关参数上，做贝叶斯优化或主动学习的团队值得关注。
原文
5月20日
11:15
11:15arXiv cs.LG@Aurélien Pion, Emmanuel Vazquez
精选
贝叶斯优化依赖高斯过程预测分布来选择评估点，但核函数和超参数选择可能导致预测分布校准不良，影响探索-利用平衡。针对最小化问题，期望改进等采样准则依赖于当前最优值以下的预测分布，下尾校准直接决定采样决策。本文提出tcGP，一种后处理方法，专门校准高斯过程在低阈值以下的预测分布，并证明基于tcGP的EI全局优化算法在设计空间中是稠密的。标准基准实验表明，tcGP相比标准GP和全局校准GP，显著改善了下尾校准和贝叶斯优化性能。
论文贝叶斯优化高斯过程下尾校准期望改进tcGP
推荐理由：做贝叶斯优化的团队终于有了专门解决下尾校准问题的工具——tcGP直接提升低值区域的预测可靠性，让EI采样更精准，做超参数调优或实验设计的建议试试。
原文