arXiv cs.AI· Erik Bodin, Lisa Maria Kreusser, Donney Fan, Henry Moss, Geoff Pleiss, Nicolas Durrande·· 11 小时前AI 评分27
SABLE：面向高维潜空间的可扩展仿射贝叶斯优化方法
SABLE: Scalable Affine Bayesian Latent-space Exploration
AI 导读
SABLE 是一种面向高维潜空间的贝叶斯优化方法，用仿射代理模型处理潜维度 D 远超评估预算的场景，并将查询分解为至多 N 维的 in-span 分量与由标量范数控制的 off-span 分量。
正文 · AI 翻译
摘要：工程设计、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，但其潜在空间可能具有数千到数万维，从而形成潜在维度 $D$ 远超评估预算的情形。我们提出 SABLE，一种面向具有各向同性分布且预算有限的高维潜在空间的贝叶斯优化方法。SABLE 使用贝叶斯仿射代理模型进行预测和采集，将高阶结构视为代理模型差异。在获得 $N$ 个观测后，斜率更新的维度至多为 $N-1$，从而将每个查询分解为至多 $N$ 维、由期望改进（EI）优化的 span 内分量，以及由标量范数控制的 span 外分量。我们表明，仿射 EI 隐式选择的 span 外范数可能导致探索不足，而 SABLE 改用有限时域调度来规定该范数，且不将搜索限制在学习到的子空间内。一种重压缩方案将信息缩减为 $\mathcal O(M)$ 个伪观测，将重新拟合成本限制在 $\mathcal O(M^2D+M^3)$，同时将参数推断、预测和采集决策保持在数十毫秒内。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降低了数个数量级。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI）；机器学习（stat.ML） |
| 引用为： | arXiv:2610.31495 [cs.LG] |
| （或 arXiv:2610.31495v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.31495 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Erik Bodin [查看电子邮件]
[v1]
2026年10月22日星期四 16:13:42 UTC（10,317 KB）
[v2]
2026年10月23日星期五 09:18:27 UTC（10,315 KB）
来源：arXiv cs.AI · arxiv.org