基于自回归正规化流的潜在贝叶斯优化

贝叶斯优化因其在优化高成本和复杂目标函数方面的有效性而受到广泛关注。最近的潜在贝叶斯优化（LBO）方法通过集成变分自编码器（VAEs）等生成模型来管理高维和结构化数据空间的复杂性，但现有方法常因输入空间与潜在空间之间的重构差距而产生价值偏差问题。这种价值偏差问题会在整个优化过程中传播误差，导致次优结果。为解决此问题，我们提出一种基于正规化流的贝叶斯优化（NF-BO），利用正规化流作为生成模型建立输入空间到潜在空间的一对一编码函数及其左逆解码函数，消除重构差距。具体而言，我们引入 SeqFlow——一种用于序列数据的自回归正规化流。此外，我们发展了一种新的候选样本策略，动态调整每个标记的探索概率以基于其重要性。通过大量实验，我们的 NF-BO 方法在分子生成任务中显著优于传统方法和最新 LBO 方法。