PulseAugur
中
实时 17:50:21
English(EN) Why Pool When You Can Flow? Active Learning with GFlowNets

新的 GFlowNet 框架增强了分子发现的主动学习能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为 BALD-GFlowNet 的新主动学习框架，该框架利用生成流网络 (GFlowNets) 来提高主动学习的可扩展性，特别是在药物发现等领域的大型数据集上。该方法直接根据 BALD 奖励采样信息分子，绕过了评估整个未标记池的计算瓶颈。虚拟筛选实验表明，BALD-GFlowNet 的性能与标准 BALD 相当，同时生成了结构更多样化的分子，为分子发现提供了一种有效的方法。 AI

影响 这个新框架为主动学习提供了一种更具可扩展性和效率的方法，有望加速药物发现和其他分子设计任务。

排序理由 该集群包含一篇详细介绍新主动学习方法的 ist 研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的 GFlowNet 框架增强了分子发现的主动学习能力

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Renfei Zhang, Mohit Pandey, Artem Cherkasov, Martin Ester ·

    Why Pool When You Can Flow? Active Learning with GFlowNets

    arXiv:2509.00704v2 Announce Type: replace Abstract: The scalability of pool-based active learning is limited by the computational cost of evaluating large unlabeled datasets, a challenge that is particularly acute in virtual screening for drug discovery. While active learning str…

相关实体

相关话题