贝叶斯优化相关 AI 资讯

7月7日

12:09

官方一手arXiv: OpenAI@Nicole Sonne Heckmann, Arnault-Quentin Vermillet, Søren Norlin Mølgaard, Manuela Del Castillo Suero, Lars Melskens, Gerard Ompad, Maurizio Sessa

该研究开发了一种高斯过程兼容的优化目标（EWACS），用于提升LLM在药物警戒因果关系评估中的表现。在723份FAERS病例上，GPT-5.2在Naranjo算法问题5和10上分别达到74.1%和65.4%的专家一致性。贝叶斯优化后，因果分类一致性从45.0%提升至72.0%，其中Doubtful病例提升最大（+42.9个百分点）。结果表明，温度优化虽无普遍最优值，但可针对特定病例带来显著改善。

论文 GPT-5.2 OpenAI 药物警戒贝叶斯优化 LLM评估

推荐理由：这篇论文用GPT-5.2做药物副作用评估，温度调优后准确率从45%跳到72%，对药物安全分析很有参考价值。

原文

6月9日

11:39

官方账号arXiv 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

官方账号arXiv 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

官方账号arXiv 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