arXiv· Tinglan Wang; Qun Su; Shihang Wang; Chi Wang; Lin Wang; Shaobo Chen; Haixu Liu; Hai Wei; Yin Ma; Yu Kang; Qi Gao; Xiaojun Yao; Tingjun Hou; Kai Wen·· 5 天前AI 评分55
Structured Re-Decoding 以免训练方式扩展预训练模型决策空间
Expanding the Decision Space of Pretrained Models through Structured Re-Decoding
AI 导读
论文提出免训练的 Structured Re-Decoding(SRD)框架,通过候选重组、联合优化选择与重构输出验证,扩展预训练模型在结构约束下的决策空间。作者报告在固定 KL 散度预算下可提升可达奖励,并在分子生成、蛋白质设计、RNA 结构预测和抗体建模中改善结构化推理,包括生成原始样本池中不存在的已验证分子。
预印本 · arxiv · 2611.15109
本站摘要基于收录版本 v1(2026-11-13),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v1
摘要 · AI 翻译
原生解码器限制了预训练模型在新的结构约束下组合局部预测的能力。我们提出了结构化重解码(Structured Re-Decoding,SRD),这是一种免训练框架,它从模型分数、采样或外部规范构建局部候选,联合优化其选择,并验证重建后的输出。我们证明,候选重组能够扩展可行支撑集,并在固定的 KL 散度预算下提升可获得的奖励。在分子生成、蛋白质设计、RNA 结构预测和抗体建模中,SRD 实现了更优的结构化推理,包括验证出原始样本池中不存在的分子。外部化学模板进一步将 SRD 扩展到非规范氨基酸、肽环化以及语法引导的分子构建。在物理相干伊辛机上的初步实验展示了基于硬件优化的可行性,这暗示了量子及量子启发方法在各科学领域的结构化推理与组合优化中具有更广泛的机会。
来源:arXiv · arxiv.org