Diff-BBO: Diffusion-Based Inverse Modeling for Black-Box Optimization

黑盒优化（BBO）旨在通过迭代查询黑盒预测器来优化目标函数。由于函数评估的高计算成本，这个过程要求高效的样本优化。虽然之前的研究集中于正向方法来学习未知目标函数的替代模型，但是在高维输入的情况下，其中有效输入占小空间（例如有效蛋白序列），这在实际任务中很常见，这些研究面临困难。最近，扩散模型展示了在学习高维数据流形方面的出色能力。它们在黑盒优化任务中表现出有希望的性能，但只适用于离线设置。在这项工作中，我们提出了基于扩散的黑盒优化反向建模（Diff-BBO），这是第一种利用扩散模型进行在线BBO问题的反向方法。Diff-BBO通过设计获取函数来区别于正向方法。Diff-BBO采用新颖的获取函数“不确定性感知探索”（UaE）来提出目标函数值，该函数利用条件扩散模型的不确定性在设计空间中生成样本。理论上，我们证明使用UaE会导致最优的优化结果。实证上，我们重新设计了在线设置的Design-Bench基准实验，并展示了Diff-BBO达到了最先进的性能水平。

Diff-BBO：使用扩散模型的反向建模进行黑盒优化

Diff-BBO是一种使用扩散模型的反向建模方法，通过不断查询黑盒预测模型来优化目标函数。它采用新颖的采集函数UaE来提出目标函数值，利用条件扩散模型的不确定性在设计空间中生成样本。

论文提出了Diff-BBO，这是一种使用扩散模型的反向建模方法，旨在通过不断查询黑盒预测模型来优化目标函数。Diff-BBO采用新颖的采集函数UaE来提出目标函数值，利用条件扩散模型的不确定性在设计空间中生成样本。论文在Design-Bench基准测试中重新设计了实验，并展示了Diff-BBO的最新性能。

先前的研究集中在前向方法中学习未知目标函数的替代方法，但在高维输入的情况下效果不佳。最近，扩散模型在学习高维数据流形方面表现出了令人印象深刻的能力。