Erik Bodin, Lisa Maria Kreusser, Donney Fan, Henry Moss, Geoff Pleiss, Nicolas Durrande · 2026 · arXiv
DOI: 10.48550/arXiv.2610.31495 · open-access PDF
Les objets complexes tels que les conceptions d'ingénierie et les protéines sont souvent difficiles à optimiser car leurs espaces de conception présentent une structure haute dimension et les évaluations objectives sont coûteuses. Les modèles génératifs fournissent des représentations latentes continues, mais leurs espaces latents peuvent avoir des milliers à des dizaines de milliers de dimensions, créant un régime où la dimension latente dépasse considérablement le budget d'évaluation. Nous présentons SABLE, une méthode d'optimisation bayésienne pour les espaces latents hauts dimensions avec une distribution isotrope et un budget limité.
Machine translation (Meta M2M100); the English original follows.
Complex objects such as engineering designs and proteins are often difficult to optimise because their design spaces exhibit high-dimensional structure and objective evaluations are expensive. Generative models provide continuous latent representations, but their latent spaces can have thousands to tens of thousands of dimensions, creating a regime where the latent dimension $D$ greatly exceeds the evaluation budget. We introduce SABLE, a Bayesian optimisation method for high-dimensional latent spaces with an isotropic distribution and limited budget. SABLE uses a Bayesian affine surrogate for
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.31495, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange