跳到正文
arXiv· Erik Bodin; Lisa Maria Kreusser; Donney Fan; Henry Moss; Geoff Pleiss; Nicolas Durrande·· 25 天前AI 评分49

SABLE:可扩展的仿射贝叶斯潜空间探索方法

SABLE: Scalable Affine Bayesian Latent-space Exploration

AI 导读

研究者提出贝叶斯优化方法 SABLE,面向潜空间维度远大于评估预算的高维潜空间优化。它用仿射贝叶斯代理做预测与采集,把每次查询拆成至多 N 维的 in-span 分量和由标量范数控制的 off-span 分量,并以有限时域调度设定该范数避免探索不足。重压缩方案将信息压到 O(M) 个伪观测,重拟合成本受限于 O(M²D+M³),并保持高样本效率,大预算下决策时间缩短数个数量级。

预印本 · arxiv · 2610.31495

本站摘要基于收录版本 v2(2026-10-26),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v2

摘要 · AI 翻译

工程设计和蛋白质等复杂对象往往难以优化,因为其设计空间呈现高维结构,且目标评估代价高昂。生成模型提供了连续的潜在表示,但其潜在空间可能拥有数千到数万维,从而形成潜在维度 $D$ 远超评估预算的情形。我们提出 SABLE,一种面向高维潜在空间的贝叶斯优化方法,适用于各向同性分布且预算有限的场景。SABLE 采用贝叶斯仿射代理模型进行预测与采集,将高阶结构视为代理模型的偏差。在获得 $N$ 次观测后,斜率更新的维度至多为 $N-1$,从而将每次查询分解为一个在张成空间内的分量(在至多 $N$ 维中通过期望改进(EI)进行优化)和一个由标量范数决定的张成空间外分量。我们证明,仿射 EI 隐式选择的张成空间外范数可能导致探索不足,而 SABLE 改为通过有限时域调度来规定该范数,且不将搜索限制在学习得到的子空间内。一种再压缩方案将信息缩减为 $\mathcal O(M)$ 个伪观测,将重拟合成本限制在 $\mathcal O(M^2D+M^3)$ 之内,同时将参数推断、预测和采集决策的时间保持在数十毫秒。在合成基准和潜在空间优化任务中,SABLE 实现了高样本效率,并在大预算下将决策时间减少了数个数量级。

来源:arXiv · arxiv.org