論文の概要: Genetic-guided GFlowNets: Advancing in Practical Molecular Optimization
Benchmark
- arxiv url: http://arxiv.org/abs/2402.05961v1
- Date: Mon, 5 Feb 2024 04:12:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-18 14:21:58.391469
- Title: Genetic-guided GFlowNets: Advancing in Practical Molecular Optimization
Benchmark
- Title(参考訳): 遺伝的誘導型GFlowNets:実践的分子最適化ベンチマークの改善
- Authors: Hyeonah Kim, Minsu Kim, Sanghyeok Choi, Jinkyoo Park
- Abstract要約: 本稿では遺伝子誘導型GFlowNet(Genetic GFN)の新規変種を提案する。
GFNは反復的遺伝子探索をGFlowNetに統合する。
提案手法は16.213の最先端スコアを示し、15.185のベンチマークで報告された最良のスコアを著しく上回った。
- 参考スコア(独自算出の注目度): 36.34562469409364
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes a novel variant of GFlowNet, genetic-guided GFlowNet
(Genetic GFN), which integrates an iterative genetic search into GFlowNet.
Genetic search effectively guides the GFlowNet to high-rewarded regions,
addressing global over-exploration that results in training inefficiency and
exploring limited regions. In addition, training strategies, such as rank-based
replay training and unsupervised maximum likelihood pre-training, are further
introduced to improve the sample efficiency of Genetic GFN. The proposed method
shows a state-of-the-art score of 16.213, significantly outperforming the
reported best score in the benchmark of 15.185, in practical molecular
optimization (PMO), which is an official benchmark for sample-efficient
molecular optimization. Remarkably, ours exceeds all baselines, including
reinforcement learning, Bayesian optimization, generative models, GFlowNets,
and genetic algorithms, in 14 out of 23 tasks.
- Abstract(参考訳): 本稿では,遺伝子誘導型GFlowNet(Genetic GFN)の新たな変種として,反復的遺伝的検索をGFlowNetに統合したGFlowNetを提案する。
遺伝的検索は、GFlowNetを高次領域に効果的に誘導し、非効率なトレーニングと限られた領域の探索をもたらす世界的な過剰探索に対処する。
また、遺伝的GFNのサンプル効率を向上させるために、ランクベースリプレイトレーニングや教師なし最大極大事前トレーニングなどのトレーニング戦略も導入した。
提案手法は16.213の最先端スコアを示し、サンプル効率の分子最適化の公式ベンチマークであるpractical molecular optimization (pmo) において、15.185のベンチマークで報告された最高スコアを大幅に上回っている。
注目すべきは、強化学習、ベイズ最適化、生成モデル、GFlowNets、遺伝的アルゴリズムなど、すべてのベースラインを23タスク中14タスクで越えていることです。
関連論文リスト
- GARA: A novel approach to Improve Genetic Algorithms' Accuracy and Efficiency by Utilizing Relationships among Genes [1.7226572355808027]
本稿では,遺伝子間の関係を利用してGAの精度と効率を向上させる遺伝子制御遺伝的アルゴリズム(GRGA)を提案する。
我々は、RGGRと呼ばれる溶液空間をカプセル化した有向多部グラフを使用し、各ノードは溶液中の遺伝子に対応し、エッジは隣り合うノード間の関係を表す。
得られたRGGRは、クロスオーバーと突然変異演算子の適切な座を決定するために使用され、それによって進化過程をより速くより良く収束させる。
論文 参考訳(メタデータ) (2024-04-28T08:33:39Z) - Ant Colony Sampling with GFlowNets for Combinatorial Optimization [72.95439522658647]
Generative Flow Ant Colony Sampler (GFACS) はニューラル誘導型メタヒューリスティックアルゴリズムである。
GFACSは生成フローネットワーク(GFlowNets)とアリコロニー最適化(ACO)手法を統合している。
論文 参考訳(メタデータ) (2024-03-11T16:26:06Z) - Optimal feature rescaling in machine learning based on neural networks [0.0]
遺伝的アルゴリズム(GA)により入力特徴の最適再スケーリング(OFR)を行う。
OFRは、トレーニングに使用される勾配ベースのアルゴリズムの条件付けを改善する入力空間を再設定する。
この手法は、実産業プロセスの結果をモデル化したFFNNでテストされている。
論文 参考訳(メタデータ) (2024-02-13T21:57:31Z) - Evolution Guided Generative Flow Networks [11.609895436955242]
Generative Flow Networks(GFlowNets)は、報酬に比例した合成オブジェクトのサンプリングを学ぶ。
GFlowNetsの大きな課題のひとつは、長期間の地平線とまばらな報酬を扱う際に、それらを効果的にトレーニングすることだ。
進化的アルゴリズム(EA)を用いたGFlowNetsトレーニングの簡易かつ強力な拡張であるEGFN(Evolution Guided Generative Flow Network)を提案する。
論文 参考訳(メタデータ) (2024-02-03T15:28:53Z) - Pre-Training and Fine-Tuning Generative Flow Networks [61.90529626590415]
本稿では,GFlowNetの報酬なし事前学習のための新しいアプローチを提案する。
自己指導型問題としてトレーニングをフレーミングすることで,候補空間の探索を学習する結果条件付きGFlowNetを提案する。
事前学習したOC-GFNモデルにより、下流タスクにおける新しい報酬関数をサンプリングできるポリシーを直接抽出できることを示す。
論文 参考訳(メタデータ) (2023-10-05T09:53:22Z) - DAG Matters! GFlowNets Enhanced Explainer For Graph Neural Networks [30.19635147123557]
我々はGFlowNetsベースのGNN Explainer(GFlowExplainer)という生成構造を提案する。
我々のGFlowExplainerは、サブグラフの確率がその報酬に比例するサブグラフの分布を生成するポリシーを学習することを目的としています。
我々は合成データと実データの両方について広範な実験を行い、質的および定量的な結果はGFlowExplainerの優位性を示している。
論文 参考訳(メタデータ) (2023-03-04T16:15:25Z) - Stochastic Generative Flow Networks [89.34644133901647]
生成フローネットワーク(GFlowNets)は「制御としての推論」のレンズを通して複雑な構造をサンプリングすることを学ぶ
既存のGFlowNetsは決定論的環境にのみ適用でき、動的処理によるより一般的なタスクではフェールする。
本稿では,GFlowNetsを環境に拡張する新しいアルゴリズムであるGFlowNetsを紹介する。
論文 参考訳(メタデータ) (2023-02-19T03:19:40Z) - Guiding Deep Molecular Optimization with Genetic Exploration [79.50698140997726]
本稿では,深層ニューラルネットワーク(DNN)を訓練し,高次分子を生成する,遺伝的専門家誘導学習(GEGL)を提案する。
大規模な実験により、GEGLは最先端の手法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) (2020-07-04T05:01:26Z) - Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning
via Gaussian Processes [144.6048446370369]
グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。
グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。
GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-02-26T10:02:32Z)
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。