使用贝叶斯优化以小规模解集覆盖多目标

在多目标黑箱优化中，目标通常是找到能同时优化一组 $T$ 个黑箱目标函数 $f_1, \ldots f_T$ 的解。传统方法通常寻求一个能平衡所有目标之间权衡的单一帕累托最优集。相比之下，我们考虑一个偏离此范式的问题设定：寻找一个包含 $K < T$ 个解的小集合，使其集体“覆盖”这 $T$ 个目标。若对于每个目标 $f_1, \ldots f_T$，至少存在一个好的解，则该解集被定义为“覆盖”。一个激发此问题设定的例子出现在药物设计中。例如，我们可能有 $T$ 种病原体，目标是识别一组 $K < T$ 种抗生素，使得每种病原体至少能被一种抗生素治疗。这个被称为覆盖优化的问题，尚未在贝叶斯优化（BO）框架下得到解决。为填补这一空白，我们开发了多目标覆盖贝叶斯优化（MOCOBO），一种用于求解覆盖优化的 BO 算法。我们的方法基于一个新的采集函数，其形式类似于标准 BO 设置中的期望改进。我们在高维黑箱优化任务上展示了我们方法的性能，包括在肽和分子设计中的应用。结果表明，MOCOBO 找到的 $K < T$ 个解的覆盖率，与单独优化每个目标所获得的 $T$ 个解的覆盖率相当或接近。此外，在体外实验中，MOCOBO 找到的肽对耐药病原体表现出高效力，进一步证明了 MOCOBO 在药物发现中的潜力。我们所有的代码可通过以下链接公开获取：https://github.com/nataliemaus/mocobo。