論文の概要: Target-Aware Bandit Allocation for Scalable Surrogate Optimization in Chemical Space

• arxiv url: http://arxiv.org/abs/2606.26657v1
• Date: Thu, 25 Jun 2026 06:44:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.185911
• Title: Target-Aware Bandit Allocation for Scalable Surrogate Optimization in Chemical Space
• Title（参考訳）: 化学空間におけるスケーラブルなサロゲート最適化のためのターゲット対応帯域割り当て
• Abstract要約: 本稿では,全ライブラリ推論を排除した帯域幅誘導サロゲート最適化フレームワークBOBaを紹介する。 BOBaは、分割を多腕バンディットの武器として扱うことにより、経験的に有望な分割に対する推論と評価に集中する。 その結果,現在のライブラリに対する実用的な最適化を支援するため,スクリーニング性能とサロゲート推論コストの相違が明らかとなった。
• 参考スコア（独自算出の注目度）: 0.7817813851272347
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying high-utility candidates from massive discrete spaces under expensive evaluations is a recurring challenge across the sciences, with structure-based drug discovery as a prominent example. While surrogate-based optimization can increase sample efficiency by reducing the number of expensive evaluations, modern molecular libraries have reached billions to trillions of compounds, making full-library surrogate inference itself a major computational bottleneck. We introduce BOBa, a bandit-guided surrogate optimization framework that eliminates full-library inference by adaptively allocating computation across partitions of the action space. By treating partitions as arms in a multi-armed bandit, BOBa concentrates inference and evaluations on empirically promising partitions while maintaining principled exploration. Experiments on real-world synthesis-on-demand libraries demonstrate that optimism-under-uncertainty bandits, combined with meaningful action space partitioning, are essential for effective allocation of inference and evaluations. Our findings reveal a tunable tradeoff between screening performance and surrogate inference cost, which supports practical optimization over current libraries, and establishes a viable route to ultra-large library virtual screening.
• Abstract（参考訳）: 高公益性候補を高価な評価の下で巨大な離散空間から特定することは、構造に基づく薬物発見を顕著に例示し、科学における繰り返しの課題である。 代理に基づく最適化は、高価な評価の数を減らしてサンプル効率を向上させることができるが、現代の分子ライブラリーは数十億から数兆の化合物に到達し、完全な代理推論自体が大きな計算ボトルネックとなっている。 本稿では,アクション空間のパーティション間での計算を適応的に割り当てることにより,完全なライブラリ推論を排除した帯域幅誘導サロゲート最適化フレームワークBOBaを紹介する。 BOBaは、分割を多腕バンディットの武器として扱うことにより、原則的探索を維持しつつ、実証的に有望な分割に対する推論と評価に集中する。 実世界のシンセサイティング・オン・デマンド・ライブラリの実験では、楽観主義-不確実な帯域分割と有意義なアクション空間分割が、推論と評価の効果的な割り当てに不可欠であることが示されている。 この結果から, スクリーニング性能とサロゲート推論コストの相違が明らかとなり, 既存のライブラリに対する実用的な最適化が実現され, 超大規模ライブラリ仮想スクリーニングへの道が確立された。

関連論文リスト

• Breaking the Computational Barrier: Provably Efficient Actor-Critic for Low-Rank MDPs [53.412166189410904]
  低ランクマルコフ決定過程(MDPs)の下で広く採用されているRLオーラクルの階層を確立するために,教師付き学習を計算プロキシとして利用する。 本研究の目的は,政策評価にのみ依存する新しい楽観的アクター批判アルゴリズムを提案することである。 提案アルゴリズムは,従来の計算コストの高い計画や最適化オーラクルを回避しつつ,既存のサンプル複雑度保証よりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-02T04:46:54Z)
• NeuroPareto: Calibrated Acquisition for Costly Many-Goal Search in Vast Parameter Spaces [13.246738608273711]
  NeuroParetoは、ランク中心のフィルタリング、不確実性回避、履歴条件付き取得戦略を統合する、凝集性のあるアーキテクチャである。 歴史的ハイパーボリュームの改善からオンラインでトレーニングされた軽量な取得ネットワークは、収束と多様性のバランスをとる領域に対する高価な評価を導く。
  論文  参考訳（メタデータ） (2026-02-03T10:02:06Z)
• Accelerate Speculative Decoding with Sparse Computation in Verification [49.74839681322316]
  投機的復号化は、複数のドラフトトークンを並列に検証することにより、自動回帰言語モデル推論を加速する。 既存のスペーシフィケーション方式は主にトークン・バイ・トーケンの自己回帰復号化のために設計されている。 そこで本研究では,注目度,FFN,MoEを両立させるスパース検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-26T07:53:41Z)
• Efficient Thought Space Exploration through Strategic Intervention [54.35208611253168]
  本稿では,この知見を2つの相乗的コンポーネントを通して操作するHint-Practice Reasoning(HPR)フレームワークを提案する。 フレームワークの中核となる革新は、動的に介入点を識別する分散不整合低減(DIR)である。 算術的および常識的推論ベンチマークによる実験は、HPRの最先端の効率-精度トレードオフを実証している。
  論文  参考訳（メタデータ） (2025-11-13T07:26:01Z)
• DynaAct: Large Language Model Reasoning with Dynamic Action Spaces [58.298135359318024]
  コンパクトなアクション空間を自動構築する新しいフレームワークtextscDynaActを提案する。 当社のアプローチは,大幅な遅延を発生させることなく,効率的な推論を維持しながら,全体的なパフォーマンスを著しく向上させる。
  論文  参考訳（メタデータ） (2025-11-11T09:47:13Z)
• Exploring $\ell_0$ Sparsification for Inference-free Sparse Retrievers [4.682757367266358]
  既存のスパース検索モデルは、スパース化のためのFLOPS正規化に依存している。 FLOPSを推論のないシナリオに適用しようとする以前の試みは、ルールベースの手法に限られていた。 提案手法は推論不要なスパース検索モデル間の最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-04-21T03:40:43Z)
• Supervised Optimism Correction: Be Confident When LLMs Are Sure [91.7459076316849]
  教師付き微調整とオフライン強化学習の間には,新たな理論的関係が確立されている。 広く使われているビームサーチ法は、許容できない過度な最適化に悩まされていることを示す。 本稿では,トークンレベル$Q$-value推定のための簡易かつ効果的な補助的損失を導入したSupervised Optimism Correctionを提案する。
  論文  参考訳（メタデータ） (2025-04-10T07:50:03Z)
• Robust Consensus Clustering and its Applications for Advertising Forecasting [18.242055675730253]
  我々は,専門家の意見に共通する根拠となる真実を見出すことのできる,ロバストなコンセンサスクラスタリングという新しいアルゴリズムを提案する。 提案手法を実世界の広告キャンペーンセグメンテーションと予測タスクに適用する。
  論文  参考訳（メタデータ） (2022-12-27T21:49:04Z)
• Budgeted Classification with Rejection: An Evolutionary Method with Multiple Objectives [0.0]
  予算付きシーケンシャル分類器(BSC)プロセスは、部分的特徴取得と評価ステップのシーケンスを通じて入力を行う。 これにより、不要な特徴取得を防止するための入力の効率的な評価が可能になる。 本稿では,信頼度に基づく拒否オプション付き逐次分類器を構築するための問題固有遺伝的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-01T22:05:16Z)
• LSDAT: Low-Rank and Sparse Decomposition for Decision-based Adversarial Attack [74.5144793386864]
  LSDATは、入力サンプルのスパース成分と対向サンプルのスパース成分によって形成される低次元部分空間における摂動を加工する。 LSDは画像ピクセル領域で直接動作し、スパース性などの非$ell$制約が満たされることを保証します。
  論文  参考訳（メタデータ） (2021-03-19T13:10:47Z)

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。