基于 GFlowNets 的多保真主动学习
机器学习
2024-09-04 v2 生物大分子
摘要
过去几十年中，科学与工程应用中生成大量数据的能力稳步增长。同时，机器学习已发展为处理并利用可用数据的合适工具。然而，许多相关的科学与工程问题呈现出当前机器学习方法尚无法高效利用可用数据与资源的挑战。例如，在科学发现中，我们经常面临探索极大、结构化且高维空间的问题。此外，高保真黑盒目标函数的评估通常非常昂贵。能够高效应对此类挑战的机器学习方法的进展，将有助于加速诸如药物与材料发现等当前关键领域。本文中，我们提出一种以 GFlowNets 作为采样器的多保真主动学习算法，在存在以较低保真与成本获得的黑盒函数多种近似时，高效发现多样化、高评分候选。我们在分子发现任务上的评估表明，基于 GFlowNets 的多保真主动学习能以远低于单保真对应方法的预算发现高评分候选，同时保持多样性，这与基于 RL 的替代方案不同。这些结果为多保真主动学习加速科学发现与工程设计开辟了新途径。
引用
@article{arxiv.2306.11715,
title = {Multi-Fidelity Active Learning with GFlowNets},
author = {Alex Hernandez-Garcia and Nikita Saxena and Moksh Jain and Cheng-Hao Liu and Yoshua Bengio},
journal= {arXiv preprint arXiv:2306.11715},
year = {2024}
}
备注
Published in Transactions on Machine Learning Research (TMLR) 07/2024 https://openreview.net/forum?id=dLaazW9zuF