通过最大化包含最优解的概率实现批量贝叶斯优化
机器学习
2025-05-08 v2 机器学习
摘要
批量贝叶斯优化 (BO) 可通过高效识别化学库中表现最佳化合物来加速分子设计。现有的批量设计获取策略旨在平衡探索与开发，常需通过贪婪构造和/或多样性启发式方法来逼近非可加批量获取函数。本文提出了一种受纯开发动机驱动的离散优化获取策略，称为 qPO（多点最优概率），该方法最大化包含真实最优解的批量概率，其可表示为单个获取分数的求和，从而规避了优化批量获取函数的组合挑战。我们将所提策略与并行 Thompson 采样进行区分，并讨论其如何隐式捕获多样性。最后，我们将该方法应用于大型化学库的模型引导探索，并提供实证证据表明其在批量贝叶斯优化中与其他最先进方法具有竞争力并互补的效果。
引用
@article{arxiv.2410.06333,
title = {Batched Bayesian optimization by maximizing the probability of including the optimum},
author = {Jenna Fromer and Runzhong Wang and Mrunali Manjrekar and Austin Tripp and José Miguel Hernández-Lobato and Connor W. Coley},
journal= {arXiv preprint arXiv:2410.06333},
year = {2025}
}