基于生成对抗模型的优化与源批评者正则化
机器学习
2024-09-27 v2 人工智能
摘要
离线基于模型的优化旨在针对学习到的代理模型进行优化，而在优化过程中无需查询真实的预言机目标函数。此类任务常见于蛋白质设计、机器人技术和临床医学等领域，因为在这些领域中评估预言机函数的成本极其高昂。然而，在离线优化轨迹中经常会遇到不准确的代理模型预测。为了解决这一局限性，我们提出了使用自适应源批评者正则化的基于生成对抗模型的优化——这是一个与任务和优化器无关的框架，用于将优化轨迹约束在代理函数可靠的设计空间区域内。我们提出了一种计算上可行的算法来动态调整此约束的强度，并展示了在一系列离线生成设计任务中，将 aSCR 与标准贝叶斯优化相结合的方法优于现有方法。我们的代码可在 https://github.com/michael-s-yao/gabo 获取。
引用
@article{arxiv.2402.06532,
title = {Generative Adversarial Model-Based Optimization via Source Critic Regularization},
author = {Michael S. Yao and Yimeng Zeng and Hamsa Bastani and Jacob Gardner and James C. Gee and Osbert Bastani},
journal= {arXiv preprint arXiv:2402.06532},
year = {2024}
}
备注
31 pages, Accepted to NeurIPS 2024