基于隐空间数据增强以增强探索的隐空间贝叶斯优化

隐空间贝叶斯优化（LSBO）结合了生成模型（通常是变分自编码器，VAE）与贝叶斯优化（BO），以生成全新的感兴趣对象。然而，由于BO与VAE目标之间的不匹配，LSBO面临探索能力差的挑战。在本文中，我们提出了新颖的贡献以提升LSBO效率并克服这一挑战。我们首先引入了潜在一致/不一致性作为LSBO中的一个关键问题，该问题源于VAE-BO的不匹配。为解决此问题，我们提出了潜在一致性感知采集函数（LCA-AF），该函数利用LSBO中的一致点。此外，我们提出了LCA-VAE，这是一种新颖的VAE方法，通过在潜在空间中进行数据增强并惩罚潜在不一致性，创建了一个具有更多一致点的潜在空间。结合LCA-VAE和LCA-AF，我们开发了LCA-LSBO。我们的方法实现了高样本效率和有效探索，通过在LCA-VAE中新颖地将数据增强引入潜在空间，强调了在LSBO中解决潜在一致性的重要性。我们通过全新图像生成和全新化学设计任务展示了我们提议的性能。