基于贝叶斯优化的离散组合序列问题调研
标题 | 发表时间 | 作者 | 期刊 | 引用量 | 摘要 | 问题 | 心得体会 |
---|---|---|---|---|---|---|---|
Applying Bayesian Approach to Combinatorial Problem in Chemistry | 2017 | Yasuharu Okamoto | American Chemical Society(一区,化学,顶刊) | 16 | 本文将贝叶斯优化算法引入在一个化学的组合问题上,结合密度泛函理论的计算,该算法搜索了整个搜索空间的4−6%,有效地识别了第一阶段和第二阶段的 Li−GICs( lithium−graphite intercalation compounds锂,−石墨插层化合物)的稳定结构 | Li−GIC的稳定结构 | 机器学习方法(这个机器学习是个泛指,当然包括深度学习,强化学习等等算法)的最新进展和流行程度已经对科学的各个领域(化学,生物,医药,物理,数学,经济学,社会学,艺术(如绘画,音乐等),等等)产生了影响 |
Batched Stochastic Bayesian Optimization via Combinatorial Constraints Design | 2019 | Kevin K. Yang | Proceedings of the 22nd International Conference on Artificial Intelligence and Statistics(会议) | 8 | 提出了批处理随机贝叶斯优化(Batched Stochastic Bayesian Optimization,BSBO),一种新的贝叶斯优化方案,用于选择约束,以指导探索具有更大效用的项目,实验结果表明,算法在合成的和两个真实的蛋白质数据集上都优于常见的启发式算法 | 本文的改进在于算法的提出,研究的蛋白质案例不适合非该领域的人研究 | two real protein datasets |
Bayesian Optimization for Parameter Tuning in Evolutionary Algorithms | 2016 | Ibai Roman | Congress on Evolutionary Computation(找不到信息) | 10 | 提出了一种新的基于贝叶斯优化的离线参数调整算法,一种全局优化的顺序设计策略 | EDA和流动车间调度问题 | A Distance-based Ranking Model Estimation of Distribution Algorithm for the Flowshop Scheduling Problem,这篇引文(PFSP)是提出流动车间调度问题的顶刊论文,在很多论文里都用到该案例,Benchmarks for basic scheduling problems,这篇里有HKEDA的实例 |
Bayesian Variational Optimization for Combinatorial Spaces | 2020 | Tony C Wu | 未见刊 | 0 | 在这里,我们介绍了一种变分贝叶斯优化方法,它结合了变分优化和连续松弛到获取函数优化的贝叶斯优化。关键的是,该方法允许基于梯度的优化,并具有优化大数据大小和数据维度的问题的能力。我们已经表明,我们的方法的性能可与最先进的方法相媲美,同时保持其可伸缩性的优势。我们还将我们的方法应用于分子优化中 | 二进制变量:包括稀疏化和污染控制,分类变量:害虫控制和分子优化与SELFIES,在可变维度和数据大小上的计算复杂度 | 可以细看 |
Black-box combinatorial optimization using models with integer-valued minima | 2020 | Laurens Bliek | Annals of Mathematics and Artificial Intelligence(4区) | 2 | 提出了IDONE算法,算法是针对具有二进制或整数约束的组合问题而设计的一种黑盒优化算法 | 一个不对称的旅行推销员问题(17个城市),凸二进制优化 | 可以细看,提到几个有意思的地方,TSP库: http://elib.zib.de/pub/mp-testdata/tsp/tsplib/tsplib.html,通过缩小搜索边界加快贝叶斯收敛的东西https://github.com/fmfn/BayesianOptimization /blob/master/examples/domain_reduction.ipynb,本文算法实现https://bitbucket.org/lbliek2/idone |
BOSS: Bayesian Optimization over String Spaces | 2017 | Henry B. Moss | Conference on Neural Information Processing Systems(会议) | 3 | 本文提出了一种直接作用于原始字符串的贝叶斯优化方法,提出了BO循环中的遗传算法。本文的方法不需要将离散数据影射到连续光滑数据上,而是直接基于字符串核进行优化 | Unconstrained Synthetic String Optimization,Locally Constrained Protein Optimization,Grammar | 算法很有意思,可以细看,源码在https://github.com/henrymoss/BOSS |
Word-Sequence Kernels | 2003 | Nicola Cancedda | Journal of Machine Learning Research,JQRq1,中科1区 | 305 | 本文提出使用单词序列作用在字符串核上,而非字符序列的方法,大大加快计算效率 | Reuters-21578 datasets | 论文太久了,不看 |
A review on estimation of distribution algorithms in permutation-based combinatorial optimization problems | 2012 | Josu Ceberio | Prog Artif Intell | 113 | 类似综诉吧 | 无 | 可以细看学习 |
Efficient Global Optimization for Combinatorial Problems | 2014 | Martin Zaefferer | ACM((SCI一区,顶刊)) | 49 | 第一次展示了贝叶斯优化GP模型在离散组合问题上的有效性 | NK-Landscapes (NKL),Quadratic Assignment Problem,Unimodal (UNI) | 可以细看,它的框架类似原先的智能采样框架 |
Grammar Variational Autoencoder | 2017 | Matt J. Kusner | Journal of Machine Learning Research,JQRq1,中科1区 | 388 | 提出了基于语法的自动编码 | symbolic regression and molecule generation | 看过了,可以再研究下案例 |
Gaussian Process Molecular Property Prediction with FlowMO | 2020 | Henry B. Moss | 未见刊 | 0 | 方法类似,但案例都是关于分子的 | Photoswitch Dataset,ESOL,FreeSolv | 可以看下算法部分,Library for training Gaussian Processes on Molecules,https://anonymous.4open.science/ r/f160a0a2-0161-4d31-ba55-2e3aab2133d3/ |
Scalable Combinatorial Bayesian Optimization with Tractable Statistical models | 2020 | Aryan Deshwal | Journal of Machine Learning Research,JQRq1,中科1区 | 4 | 可以看下 | 可以看下 | 作者提到这篇2018的论文是这方面最新进展,Bayesian optimization of combinatorial structures,本文源码https://github.com/aryandeshwal/Submodular Relaxation BOCS |
Sequence to Better Sequence: Continuous Revision of Combinatorial Structures | 2017 | Jonas Mueller | International Conference on Machine Learning(会议) | 70 | 提出了一个模型,在学习了(序列,结果)对的观察后,可以有效地用来修改一个新的序列,以改进其相关的结果 | Simulation Study,Improving Sentence Positivity | 可以看下 |
Amortized Bayesian Optimization over Discrete Spaces | 2020 | Yulia Rubanova | the 36th Conference on Uncertainty in Artificial Intelligence | 2 | 可以看下 | 可以看下 | 可以看下 |