論文の概要: Reliable algorithm selection for machine learning-guided design
- arxiv url: http://arxiv.org/abs/2503.20767v1
- Date: Wed, 26 Mar 2025 17:52:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-27 13:21:27.789276
- Title: Reliable algorithm selection for machine learning-guided design
- Title（参考訳）: 機械学習誘導設計のための信頼性の高いアルゴリズム選択
- Authors: Clara Fannjiang, Ji Won Park,
- Abstract要約: 本稿では,アルゴリズム選択のための設計手法を提案する。
ユーザが指定した成功基準を満たすデザインラベルの分布を生成するデザインアルゴリズムを選択することを目的としている。
本手法の有効性をシミュレートされたタンパク質およびRNA設計タスクで示す。
- 参考スコア（独自算出の注目度）: 2.9158689853305693
- License:
- Abstract: Algorithms for machine learning-guided design, or design algorithms, use machine learning-based predictions to propose novel objects with desired property values. Given a new design task -- for example, to design novel proteins with high binding affinity to a therapeutic target -- one must choose a design algorithm and specify any hyperparameters and predictive and/or generative models involved. How can these decisions be made such that the resulting designs are successful? This paper proposes a method for design algorithm selection, which aims to select design algorithms that will produce a distribution of design labels satisfying a user-specified success criterion -- for example, that at least ten percent of designs' labels exceed a threshold. It does so by combining designs' predicted property values with held-out labeled data to reliably forecast characteristics of the label distributions produced by different design algorithms, building upon techniques from prediction-powered inference. The method is guaranteed with high probability to return design algorithms that yield successful label distributions (or the null set if none exist), if the density ratios between the design and labeled data distributions are known. We demonstrate the method's effectiveness in simulated protein and RNA design tasks, in settings with either known or estimated density ratios.
- Abstract（参考訳）: 機械学習誘導設計のためのアルゴリズム、または設計アルゴリズムは、機械学習に基づく予測を使用して、望ましいプロパティ値を持つ新しいオブジェクトを提案する。
例えば、治療対象に高い結合親和性を持つ新規タンパク質を設計するための新しい設計タスクが与えられた場合、設計アルゴリズムを選択し、ハイパーパラメータと関連する予測および/または生成モデルを指定する必要がある。
結果として得られる設計が成功するように、これらの決定をどうやって行うのか?
本稿では,ユーザの指定した成功基準を満たす設計ラベルの分布を生成する設計アルゴリズムの選択を目的とした,設計アルゴリズムの選択方法を提案する。
これは、予測された特性値と保持されたラベル付きデータを組み合わせることで、異なる設計アルゴリズムによって生成されたラベル分布の特性を確実に予測し、予測駆動推論の技術に基づいて構築する。
この手法は、設計とラベル付きデータ分布の密度比が知られている場合、ラベル分布を成功させる設計アルゴリズム(あるいは存在しない場合はヌル集合)を返す確率が高く保証される。
シミュレーションされたタンパク質およびRNA設計タスクにおいて、既知の密度比と推定された密度比のいずれにおいても、本手法の有効性を実証する。
関連論文リスト
- An Uncertainty-aware Deep Learning Framework-based Robust Design Optimization of Metamaterial Units [14.660705962826718]
メタマテリアルユニットの設計のための,新しい不確実性を考慮したディープラーニングフレームワークに基づくロバスト設計手法を提案する。
提案手法は,高性能なメタマテリアルユニットを高信頼性で設計できることを示す。
論文 参考訳（メタデータ） (2024-07-19T22:21:27Z) - Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
PropEnは'matching'にインスパイアされている。
一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
論文 参考訳（メタデータ） (2024-05-28T11:30:19Z) - Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。
本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。
提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
論文 参考訳（メタデータ） (2024-03-20T00:41:12Z) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳（メタデータ） (2024-01-24T01:33:39Z) - Beyond the training set: an intuitive method for detecting distribution
shift in model-based optimization [0.4188114563181614]
一般的なシナリオは、モデルのトレーニングに固定されたトレーニングセットを使用することであり、トレーニングデータに存在するものよりも優れた新しいサンプルを設計することを目的としている。
この設定における大きな課題は、トレーニングと設計サンプルの分布が異なる分散シフトである。
本稿では,分散シフトを検出する設計実践者のための簡単な手法を提案する。
論文 参考訳（メタデータ） (2023-11-09T13:44:28Z) - Efficient Automatic Machine Learning via Design Graphs [72.85976749396745]
最適なモデル設計を探索する効率的なサンプルベース手法であるFALCONを提案する。
FALCONは,1)グラフニューラルネットワーク(GNN)を介してデザイングラフ上でメッセージパッシングを行うタスク非依存モジュール,2)既知のモデル性能情報のラベル伝搬を行うタスク固有モジュールを特徴とする。
FALCONは,30個の探索ノードのみを用いて,各タスクに対して良好な性能を持つ設計を効率的に得ることを実証的に示す。
論文 参考訳（メタデータ） (2022-10-21T21:25:59Z) - Targeted Adaptive Design [0.0]
近代的な製造と先進的な材料設計は、しばしば比較的高次元のプロセス制御パラメータ空間の探索を必要とする。
本稿では、このサンプリングタスクを効率的に行う新しいアルゴリズムであるターゲット適応設計(TAD)について述べる。
TADは、ベイズ最適化と最適な実験設計と本質的に異なる方法で、探査と爆発の緊張を具現化している。
論文 参考訳（メタデータ） (2022-05-27T19:29:24Z) - An adaptive artificial neural network-based generative design method for
layout designs [17.377351418260577]
適応型人工ニューラルネットワークに基づく生成設計手法の提案と開発。
新しい適応学習と最適化戦略が提案され、設計空間を効果的に探索することができます。
2つの熱源レイアウト設計問題に対して,提案手法の性能を実証した。
論文 参考訳（メタデータ） (2021-01-29T05:32:17Z) - An AI-Assisted Design Method for Topology Optimization Without
Pre-Optimized Training Data [68.8204255655161]
トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。
設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
論文 参考訳（メタデータ） (2020-12-11T14:33:27Z) - Progressive Identification of True Labels for Partial-Label Learning [112.94467491335611]
部分ラベル学習(Partial-label Learning, PLL)は、典型的な弱教師付き学習問題であり、各トレーニングインスタンスには、真のラベルである候補ラベルのセットが設けられている。
既存のほとんどの手法は、特定の方法で解決しなければならない制約付き最適化として精巧に設計されており、計算複雑性をビッグデータにスケールアップするボトルネックにしている。
本稿では,モデルと最適化アルゴリズムの柔軟性を備えた分類器の新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-19T08:35:15Z) - Application of Deep Learning in Generating Desired Design Options:
Experiments Using Synthetic Training Dataset [5.564299196293697]
本研究では,Deep Learning (DL) アルゴリズムを用いて要求された設計オプションを生成する手法を適用した。
物体認識問題は, 異なる種類の合成2次元形状からなるトレーニングデータセットに基づいて, 未知のサンプル画像のラベルを最初に予測するために検討される。
次のステップでは、空間日光自律性(sDA)メトリクスに基づいて、所望の光/影のパフォーマンスのためのウィンドウ/壁パターンを生成するようにアルゴリズムを訓練する。
論文 参考訳（メタデータ） (2019-12-28T01:26:20Z)
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。