متایادگیری، مشکل کمبود داده را در بهینه‌سازی آفلاین حل می‌کند

بهینه‌سازی آفلاین جعبه‌سیاه یکی از چالش‌های کلیدی در طراحی بهینه مولکول‌ها و مواد است. مشکل زمانی جدی‌تر می‌شود که فقط داده‌های اندک یا بی‌کیفیت در دسترس باشد. OptBias (یادگیری جایگزین با سوگیری بهینه‌سازی از طریق تولید وظیفه مصنوعی) این گره را باز می‌کند.

ایده اصلی ساده است. عملکرد بهینه‌سازی آفلاین به توانایی مدل‌های جایگزین (surrogate models) در درک سوگیری بهینه‌سازی بستگی دارد. یعنی چقدر خوب می‌توانند طراحی‌های ورودی را رتبه‌بندی کنند. با داده‌های آزمایشگاهی محدود، رسیدن به این هدف دشوار است. OptBias این مشکل را با یادگیری یک سوگیری قابل‌استفاده مجدد حل می‌کند.

روش شامل سه مرحله است. نخست، تولید وظایف متنوع مصنوعی با فرایند گاوسی (Gaussian process). سپس، آموزش یک یادگیرنده فرا Meta-learner برای درک سوگیری قابل‌انتقال. سرانجام، تنظیم دقیق روی وظیفه هدف با داده‌های واقعی اندک.

آزمایش‌ها در معیارسنج‌های بهینه‌سازی پیوسته و گسسته نشان داد OptBias به‌طور پیوسته از روش‌های پیشرفته پیشین در شرایط کمبود داده پیشی می‌گیرد. موفقیت این روش از توانایی انتقال دانش از وظایف مصنوعی به مسائل واقعی می‌آید. این رویکرد راهگشا اساساً گلوگاه کمبود داده را که بسیاری از کاربردهای علمی را محدود کرده هدف قرار می‌دهد.

سهم اصلی پژوهش سه بخش است. نخست، الگوی تولید وظیفه مصنوعی برای متایادگیری سوگیری بهینه‌سازی. دوم، بینش‌های نظری که تنوع وظایف را به عملکرد یادگیری انتقالی پیوند می‌دهد. سوم، اعتبارسنجی تجربی جامع در حوزه‌های مختلف.