HVFT:微调预训练生成器优化多目标
事件历史事件
HVFT:微调预训练生成器优化多目标
1 篇报道1 个报道来源13 天前更新
先了解这件事
AI 综述
Juan Guevara 等提出 HVFT,通过微调单个预训练生成器最大化其样本的期望超体积,并控制与预训练分布的偏离。 作者指出期望超体积不能写成固定单候选奖励的期望,因而用其一阶变分对应候选的期望边际超体积贡献,从模型样本构造无偏自适应奖励,并把目标分解为 KL 近端标量奖励子问题,给出凹性、相对平滑性与收敛性保证。 作者称在离散扩散和连续流匹配模型上的治疗性肽与分子设计任务中,HVFT 达到最优期望超体积和权衡覆盖。
AI 根据报道生成 · 12 天前更新
最新进展11月4日 00:55
HVFT:面向多目标生成的期望超体积微调方法报道时间线
沿着报道,了解事件的不同侧面。
11月4日
- arXivHVFT:面向多目标生成的期望超体积微调方法
论文提出 HVFT(Hypervolume Fine-Tuning),通过微调单个预训练生成器来最大化其样本的期望超体积,同时控制与预训练分布的偏离。作者指出期望超体积无法写成固定单候选奖励的期望,因而利用其一阶变分对应候选的期望边际超体积贡献,基于模型样本构造无偏估计的自适应奖励,并把目标分解为一系列 KL 近端标量奖励子问题,给出了凹性、相对平滑性与收敛性保证。