Newest papers

SABLE: Scalable Affine Bayesian Latent-space Exploration

Erik Bodin, Lisa Maria Kreußer, Donney Fan, Henry B. Moss, Geoff Pleiss, Nicolas Durrande · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.31495 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Các đối tượng tiêu chuẩn hiệu quả phức tạp như thiết kế kỹ thuật và protein thường khó tối ưu hóa vì không gian thiết kế của họ hiển thị cấu trúc chiều cao và các đánh giá khách quan là tốn kém. Các mô hình tạo ra cung cấp các đại diện parametric tiềm ẩn liên tục, nhưng không gian tiềm ẩn của chúng có thể có hàng ngàn đến hàng chục ngàn kích thước, tạo ra một chế độ nơi kích thước tiềm ẩn $D$ lớn hơn ngân sách đánh giá. Chúng tôi giới thiệu SABLE, một phương pháp tối ưu hóa độ dốc Bayesian cho các không gian tiềm ẩn chiều cao với một phân phối isotropic và ngân sách hạn chế. SABLE sử dụng một phụ tùng affine bayesian để dự đoán và mua lại, điều trị cấu trúc thứ tự cao hơn là sự khác biệt phụ tùng. Sau khi quan sát $N$

Machine translation (Meta M2M100); the English original follows.

Abstract

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 prediction and acquisition, treating higher-order structure as surrogate discrepancy. After $N$ observations, the slope update has dimension at most $N-1$, yielding a decomposition of each query into an in-span component optimised by expected improvement (EI) in at most $N$ dimensions and an off-span component governed by a scalar norm. We show that the off-span norm implicitly selected by affine EI can lead to underexploration, and SABLE instead prescribes it using a finite-horizon schedule, without restricting search to a learned subspace. A recompression scheme reduces information to $\mathcal O(M)$ pseudo-observations, bounding refitting cost by $\mathcal O(M^2D+M^3)$ while keeping parameter inference, prediction, and acquisition decisions to tens of milliseconds. Across synthetic benchmarks and latent-space optimisation tasks, SABLE achieves high sample efficiency and reduces decision time by several orders of magnitude at large budgets.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Bounding overwatch, Bayesian probability, Affine transformation, Dimension (graph theory), Computer science, Mathematics

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange