通过探索性采样智能定位加速逆学习
机器学习
2022-12-05 v1 人工智能
摘要
在“AI for Science”范畴内，求解逆问题是材料与药物发现中长期的挑战，其目标是在给定一组期望性质时确定隐藏结构。深度生成模型近期被提出用于求解逆问题，但现有方法使用昂贵的正向算子，且难以精确局部化确切解并无遗漏地充分探索参数空间。本文提出一种新方法(称为iPage)，通过利用深度可逆模型的概率推断与基于快速梯度下降的确定性优化来加速逆学习过程。给定目标性质，所学可逆模型提供参数空间上的后验；我们将这些后验样本视为智能先验初始化，从而缩小搜索空间。随后我们执行梯度下降以在局部区域内校准逆解。同时，在潜空间上施加空间填充采样，以更好地探索并捕获所有可能解。我们在三个基准任务及两个来自量子化学与增材制造的真实应用自建数据集上评估了该方法，发现相较若干最先进基线方法，我们的方法取得了更优性能。iPage代码见 https://github.com/jxzhangjhu/MatDesINNe。
引用
@article{arxiv.2212.01016,
title = {Accelerating Inverse Learning via Intelligent Localization with Exploratory Sampling},
author = {Jiaxin Zhang and Sirui Bi and Victor Fung},
journal= {arXiv preprint arXiv:2212.01016},
year = {2022}
}
备注
This paper is accepted for publication in the 37th AAAI Conference on Artificial Intelligence (AAAI 2023)