論文の概要: Sample-efficient Multi-objective Molecular Optimization with GFlowNets
- arxiv url: http://arxiv.org/abs/2302.04040v2
- Date: Thu, 2 Nov 2023 14:44:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-03 18:09:45.555655
- Title: Sample-efficient Multi-objective Molecular Optimization with GFlowNets
- Title（参考訳）: GFlowNetsを用いたサンプル効率多目的分子最適化
- Authors: Yiheng Zhu, Jialu Wu, Chaowen Hu, Jiahuan Yan, Chang-Yu Hsieh, Tingjun
Hou, Jian Wu
- Abstract要約: ハイパーネットワークに基づくGFlowNets(HN-GFN)を利用した多目的ベイズ最適化(MOBO)アルゴリズムを提案する。
HN-GFNは、単一の嗜好条件のハイパーネットワークを用いて、目的間の様々なトレードオフを探索することを学ぶ。
実世界の様々な環境での実験により、我々のフレームワークは、候補品質とサンプル効率の点で、既存の手法よりも圧倒的に優れていることが示された。
- 参考スコア（独自算出の注目度）: 5.030493242666028
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many crucial scientific problems involve designing novel molecules with
desired properties, which can be formulated as a black-box optimization problem
over the discrete chemical space. In practice, multiple conflicting objectives
and costly evaluations (e.g., wet-lab experiments) make the diversity of
candidates paramount. Computational methods have achieved initial success but
still struggle with considering diversity in both objective and search space.
To fill this gap, we propose a multi-objective Bayesian optimization (MOBO)
algorithm leveraging the hypernetwork-based GFlowNets (HN-GFN) as an
acquisition function optimizer, with the purpose of sampling a diverse batch of
candidate molecular graphs from an approximate Pareto front. Using a single
preference-conditioned hypernetwork, HN-GFN learns to explore various
trade-offs between objectives. We further propose a hindsight-like off-policy
strategy to share high-performing molecules among different preferences in
order to speed up learning for HN-GFN. We empirically illustrate that HN-GFN
has adequate capacity to generalize over preferences. Moreover, experiments in
various real-world MOBO settings demonstrate that our framework predominantly
outperforms existing methods in terms of candidate quality and sample
efficiency. The code is available at https://github.com/violet-sto/HN-GFN.
- Abstract（参考訳）: 多くの重要な科学的問題は、望ましい性質を持つ新しい分子を設計することであり、これは離散化学空間上のブラックボックス最適化問題として定式化できる。
実際には、複数の相反する目標とコストのかかる評価(例えば湿式実験)が候補の多様性を最重要視している。
計算手法は最初成功したが、目的空間と探索空間の両方における多様性を考えるのに苦戦している。
このギャップを埋めるために,ハイパーネットワークベースのGFlowNets(HN-GFN)を取得関数最適化器として活用した多目的ベイズ最適化(MOBO)アルゴリズムを提案する。
HN-GFNは、単一の嗜好条件のハイパーネットワークを用いて、目的間の様々なトレードオフを探索する。
さらに、HN-GFNの学習を高速化するために、異なる選好間で高い性能の分子を共有できる、後見的なオフ政治戦略を提案する。
我々はHN-GFNが嗜好を一般化するのに十分な能力を持っていることを実証的に説明する。
さらに,様々な実世界のMOBO設定実験により,本フレームワークが既存の手法よりも,候補品質とサンプル効率の点で優れていることが示された。
コードはhttps://github.com/violet-sto/HN-GFNで公開されている。
関連論文リスト
- Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳（メタデータ） (2023-10-08T23:39:38Z) - BOtied: Multi-objective Bayesian optimization with tied multivariate ranks [33.414682601242006]
本稿では,非支配解と結合累積分布関数の極端量子化との自然な関係を示す。
このリンクにより、我々はPareto対応CDFインジケータと関連する取得関数BOtiedを提案する。
種々の合成および実世界の問題に対する実験により,BOtied は最先端MOBO 取得関数より優れていることが示された。
論文 参考訳（メタデータ） (2023-06-01T04:50:06Z) - Let the Flows Tell: Solving Graph Combinatorial Optimization Problems
with GFlowNets [86.43523688236077]
組合せ最適化(CO)問題はしばしばNPハードであり、正確なアルゴリズムには及ばない。
GFlowNetsは、複合非正規化密度を逐次サンプリングする強力な機械として登場した。
本稿では,異なる問題に対してマルコフ決定プロセス(MDP)を設計し,条件付きGFlowNetを学習して解空間からサンプルを作成することを提案する。
論文 参考訳（メタデータ） (2023-05-26T15:13:09Z) - Multi objective Fitness Dependent Optimizer Algorithm [19.535715565093764]
本稿では、最近導入されたフィットネス依存型(FDO)の多目的変種を提案する。
このアルゴリズムはMOFDO(Multi objective Fitness Dependent)と呼ばれ、FDOのように5種類の知識(situational, normative, topographical, domain, historical knowledge)を備えている。
提案アルゴリズムは,多種多様な分散可能な実現可能解を提供することで,意思決定者がより適用可能な快適な選択をすることができる。
論文 参考訳（メタデータ） (2023-01-26T06:33:53Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - Multi-Objective GFlowNets [59.16787189214784]
本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。
薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。
GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
論文 参考訳（メタデータ） (2022-10-23T16:15:36Z) - Computer-Aided Multi-Objective Optimization in Small Molecule Discovery [3.032184156362992]
多目的分子発見のためのプールベースおよびデノボ生成手法について述べる。
プール型分子発見は,多目的ベイズ最適化の比較的直接的な拡張であることを示す。
この分野で残る課題と機会について論じる。
論文 参考訳（メタデータ） (2022-10-13T17:33:07Z) - Result Diversification by Multi-objective Evolutionary Algorithms with
Theoretical Guarantees [94.72461292387146]
両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。
GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳（メタデータ） (2021-10-18T14:00:22Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z) - Multi-Fidelity Multi-Objective Bayesian Optimization: An Output Space
Entropy Search Approach [44.25245545568633]
複数目的のブラックボックス最適化の新たな課題を多要素関数評価を用いて検討する。
いくつかの総合的および実世界のベンチマーク問題に対する実験により、MF-OSEMOは両者の近似により、最先端の単一忠実度アルゴリズムよりも大幅に改善されていることが示された。
論文 参考訳（メタデータ） (2020-11-02T06:59:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。