Diagnosing and fixing common problems in Bayesian optimization for molecule design

贝叶斯优化（BO）是一种处理分子设计任务的原则性方法。本文解释了BO的三个陷阱，这些陷阱可能导致实证性能不佳：先验宽度不正确、过度平滑和采集函数最大化不充分。我们展示了解决这些问题后，即使是基本的BO设置也能在分子设计的PMO基准测试（Gao等人，2022）中取得最高的整体性能。这些结果表明，BO可能在分子机器学习社区中受益于更多的关注。

解决问题：论文旨在解决贝叶斯优化在分子设计任务中可能出现的三个问题，包括先验宽度不正确、过度平滑和采集函数最大化不足的问题。

关键思路：通过解决BO中的三个问题，提高分子设计任务的性能。

其他亮点：论文使用PMO基准数据集进行实验，结果表明，即使是基本的BO设置也能在分子设计任务中取得最高的性能。这表明BO在分子机器学习领域中值得更多的关注。

相关研究：最近的相关研究包括基于BO的分子设计任务的其他方法，如基于神经网络的BO方法和基于高斯过程的BO方法。