一种生成最优样本的 COLD 方法
机器学习
2019-05-27 v1 生物大分子
定量方法
机器学习
摘要
使用基于梯度的方法优化离散数据以得到期望特性，需要将数据投影到连续隐空间并在该空间中执行优化。全局优化难以进行，因为优化器很可能沿梯度进入模型在训练期间未接触过的隐空间区域；从这些区域生成的样本可能与训练数据过于不相似而无用。我们提出带隐分布约束的优化（COLD），一种约束全局优化过程，用于寻找具有高性能期望值且与训练数据相似又相异的样本。我们发现在 MNIST 上，我们的过程对每个三个不同目标都给出了最优值，并且实施更紧的约束提高了生成图像的质量并增加了多样性。在 ChEMBL 分子数据集上，我们的方法生成了一组多样的新分子，其类药分数与训练数据中得分最高分子的分数相似。我们还展示了一种在计算上昂贵的精确评估约束时近似该约束的高效计算方法。
引用
@article{arxiv.1905.09885,
title = {A COLD Approach to Generating Optimal Samples},
author = {Omar Mahmood and José Miguel Hernández-Lobato},
journal= {arXiv preprint arXiv:1905.09885},
year = {2019}
}