Batched Bayesian optimization by maximizing the probability of including the optimum

要約

バッチ付きベイジアン最適化（BO）は、大規模な化学ライブラリーから最高のパフォーマンス化合物を効率的に識別することにより、分子設計を加速できます。
BOのバッチ設計のための既存の買収戦略は、探査と搾取のバランスをとることを目指しています。
これには、多くの場合、非加法バッチ取得機能を最適化し、近視構造および/または多様性ヒューリスティックを介して近似を必要とします。
この作業では、純粋な搾取であるQPO（最適性のマルチポイント確率）によって動機付けられる離散最適化のための買収戦略を提案します。
QPOは、バッチに真の最適を含む確率を最大化します。これは、個々の取得スコアよりも合計として表現され、それによりバッチ取得関数を最適化するという組み合わせ課題を回避します。
提案された戦略を並行トンプソンのサンプリングと区別し、それがどのように多様性を暗黙的に捉えているかを議論します。
最後に、大規模な化学ライブラリのモデルガイド付き探査に方法を適用し、バッチ付きベイジアン最適化における他の最先端の方法を競争し、補完するという経験的証拠を提供します。

要約(オリジナル)

Batched Bayesian optimization (BO) can accelerate molecular design by efficiently identifying top-performing compounds from a large chemical library. Existing acquisition strategies for batch design in BO aim to balance exploration and exploitation. This often involves optimizing non-additive batch acquisition functions, necessitating approximation via myopic construction and/or diversity heuristics. In this work, we propose an acquisition strategy for discrete optimization that is motivated by pure exploitation, qPO (multipoint Probability of Optimality). qPO maximizes the probability that the batch includes the true optimum, which is expressible as the sum over individual acquisition scores and thereby circumvents the combinatorial challenge of optimizing a batch acquisition function. We differentiate the proposed strategy from parallel Thompson sampling and discuss how it implicitly captures diversity. Finally, we apply our method to the model-guided exploration of large chemical libraries and provide empirical evidence that it is competitive with and complements other state-of-the-art methods in batched Bayesian optimization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google