设计多样性：利用分布匹配进行离线模型优化
机器学习
2025-05-02 v2 人工智能
摘要
离线模型优化（MBO）的目标是仅给定离线数据集，提出最大化奖励函数的新设计。然而，一个重要需求是提出多样化的最终候选方案，涵盖许多最优和接近最优的设计配置。我们提出对抗性模型优化中的多样性（DynAMO）作为一种新方法，将设计多样性作为显式目标引入任何MBO问题。我们的关键见解是将多样性形式化为分布匹配问题，其中生成设计的分布捕获离线数据集中包含的内在多样性。跨越多个科学领域的大量实验表明，DynAMO可与常见优化方法一起使用，显著提高所提出设计的多样性，同时仍能发现高质量候选方案。
引用
@article{arxiv.2501.18768,
title = {Diversity By Design: Leveraging Distribution Matching for Offline Model-Based Optimization},
author = {Michael S. Yao and James C. Gee and Osbert Bastani},
journal= {arXiv preprint arXiv:2501.18768},
year = {2025}
}
备注
52 pages, Accepted to ICML 2025