★ 3
LASER：潜空间伴随匹配的离线强化学习
论文提出LASER，一种离线强化学习算法，通过潜空间伴随匹配实现熵正则化的潜空间RL，避免时间反向传播。在40个OGBench任务上，LASER使用固定超参数即达到最优性能，超越需任务与数据集特定调优的基线方法。
arXiv cs.LG25 天前
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文提出LASER，一种离线强化学习算法，通过潜空间伴随匹配实现熵正则化的潜空间RL，避免时间反向传播。在40个OGBench任务上，LASER使用固定超参数即达到最优性能，超越需任务与数据集特定调优的基线方法。
在生成模型驱动的从头发现流程中，虚拟筛选成本较低，而贝叶斯优化的顺序决策开销成为瓶颈。论文利用球面域上线性模型与高维潜变量集中的特性，推导出近似闭式的代理建模与采集函数解。方法相比当前最优基线至少加速 100 倍，在分子与图像生成基准上性能持平或更优，使 BO 可即插即用于此前过慢的流程。