論文の概要: Uncertainty Aware Quality-Diversity Optimization For Offline Biological Sequence Design

• arxiv url: http://arxiv.org/abs/2611.00716v1
• Date: Sat, 31 Oct 2026 07:21:13 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:37:41.081805
• Title: Uncertainty Aware Quality-Diversity Optimization For Offline Biological Sequence Design
• Title（参考訳）: オフライン生物配列設計のための品質・多様性最適化の不確実性
• Abstract要約: オフラインの計算シーケンス設計は、コストのかかるウェットラブ検証の前に新しいシーケンスを提案する上で重要な役割を果たす。 これは、オフライン最適化に固有の不確実性に対して緩和しながら、パフォーマンス、ノベルティ、多様性のバランスをとる手法を動機付けている。 POME(Presideed-guided Offline MAP-Elites)は,オフラインシステムに明示的に適応した不確実性を考慮したQDフレームワークである。
• 参考スコア（独自算出の注目度）: 8.015657711092386
• License:
• Abstract: Designing sequences such as nucleic acids and proteins with desired properties is a fundamental challenge in biology. Due to the vast, discrete nature of sequence spaces and the high cost of experimental evaluation, offline computational sequence design plays a crucial role in proposing novel sequences before costly wet-lab validation. In practice, it is also essential that proposed designs are diverse to increase the likelihood of downstream experimental success. This motivates methods that balance performance, novelty, and diversity, whilst mitigating against uncertainty inherent to offline optimization. Quality-Diversity optimization (QD) can discover diverse, high-performing solutions, making it well suited to this problem, but its elitist nature makes reliable exploration under uncertainty challenging. To address this, we introduce Prior-guided Offline MAP-Elites (POME), an uncertainty-aware QD framework explicitly adapted to the offline regime. Our method leverages foundation models as priors to guide search toward biologically plausible regions and enable robust exploration under uncertainty. Across three sequence design tasks, POME consistently improves both performance and diversity over prior offline QD methods, and achieves the most reliable balance compared to offline MBO baselines, obtaining the best performance on two tasks and the second-best on the third, while maintaining high diversity and novelty.
• Abstract（参考訳）: 核酸やタンパク質などの望ましい性質を持つ配列を設計することは、生物学における根本的な課題である。 大規模で離散的なシーケンス空間の性質と高い実験コストのため、オフラインの計算シーケンス設計は、コストのかかるウェットラブ検証の前に新しいシーケンスを提案する上で重要な役割を担っている。 実際には、下流の実験的な成功の可能性を高めるために、提案された設計が多様であることも不可欠である。 これは、オフライン最適化に固有の不確実性に対して緩和しながら、パフォーマンス、ノベルティ、多様性のバランスをとる手法を動機付けている。 品質多様性最適化(QD)は、多種多様な高性能なソリューションを発見でき、この問題によく適合するが、そのエリート主義的な性質は不確実性の下で信頼性の高い探索を可能にする。 そこで本稿では,POME(Presideed-guided Offline MAP-Elites)という,オフラインシステムに明示的に適応した不確実性を考慮したQDフレームワークを提案する。 本手法は, 基礎モデルを先行モデルとして活用し, 生物学的に妥当な領域を探索し, 不確実性下での堅牢な探索を可能にする。 3つのシーケンス設計タスク全体で、POMEは、従来のオフラインQDメソッドよりもパフォーマンスと多様性を一貫して改善し、オフラインのMBOベースラインよりも信頼性の高いバランスを実現し、高い多様性とノベルティを維持しながら、2つのタスクと3番目のタスクで最高のパフォーマンスを得る。

関連論文リスト

• The Reasoning-Creativity Trade-off: Toward Creativity-Driven Problem Solving [57.652356955571065]
  最先端の大規模言語モデル(LLM)パイプラインは、ブートストラップの推論ループに依存している。 我々は、この設計選択が、推論経路上のモデルの分布の崩壊にどのように敏感であるかを分析する。 本稿では,分散創造推論(DCR)について紹介する。これは,解トレースの確率測定を通じて,トレーニングを勾配流としてキャストする,統一的な変分目的である。
  論文  参考訳（メタデータ） (2026-01-02T17:10:31Z)
• Uncertainty-Aware Dual-Ranking Strategy for Offline Data-Driven Multi-Objective Optimization [9.62861758248967]
  オフラインデータ駆動型多目的最適化問題(MOP)は、シミュレーション、実験、センサーからの限られたデータに依存している。 本稿では, 基本的な多目的進化アルゴリズムNSGA-IIを用いて, 単純かつ斬新な2段階戦略を提案する。 この二重ランク戦略では、各解の最終ランクは、その非支配的なソートランクの平均であり、不確実調整適合関数から導かれるランクである。
  論文  参考訳（メタデータ） (2025-11-09T16:53:40Z)
• Offline Model-Based Optimization: Comprehensive Review [61.91350077539443]
  オフライン最適化は、オフラインデータセットのみを使用してブラックボックス機能の最適化を目標とする、科学とエンジニアリングの基本的な課題である。 モデルベース最適化の最近の進歩は、オフライン固有の代理モデルと生成モデルを開発するために、ディープニューラルネットワークの一般化能力を活用している。 科学的な発見を加速させる効果が増大しているにもかかわらず、この分野は包括的なレビューを欠いている。
  論文  参考訳（メタデータ） (2025-03-21T16:35:02Z)
• QUBE: Enhancing Automatic Heuristic Design via Quality-Uncertainty Balanced Evolution [14.131178103518907]
  Quality-Uncertainty Balanced Evolution (QUBE)は、FunSearchフレームワーク内で優先度基準を再定義することによって、LLM+EAメソッドを強化する新しいアプローチである。 QUBEは、提案した不確実性-包括的品質基準に基づいて、品質-不確実性トレードオフ基準(QUTC)を採用している。 NP完全問題に対する広範な実験を通じて、QUBEはFunSearchやベースラインメソッドよりも大きなパフォーマンス改善を示す。
  論文  参考訳（メタデータ） (2024-12-30T04:05:22Z)
• Understanding, Predicting and Better Resolving Q-Value Divergence in Offline-RL [86.0987896274354]
  まず、オフラインRLにおけるQ値推定のばらつきの主な原因として、基本パターン、自己励起を同定する。 そこで本研究では,Q-network の学習における進化特性を測定するために,SEEM(Self-Excite Eigen Value Measure)尺度を提案する。 われわれの理論では、訓練が早期に発散するかどうかを確実に決定できる。
  論文  参考訳（メタデータ） (2023-10-06T17:57:44Z)
• False Correlation Reduction for Offline Reinforcement Learning [115.11954432080749]
  本稿では,実効的かつ理論的に証明可能なアルゴリズムであるオフラインRLに対するfalSe Correlation Reduction (SCORE)を提案する。 SCOREは、標準ベンチマーク(D4RL)において、様々なタスクにおいて3.1倍の高速化でSoTA性能を達成することを実証的に示す。
  論文  参考訳（メタデータ） (2021-10-24T15:34:03Z)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)

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。