إرشادات بدون اشتقاق في نماذج الانتشار المستمرة والم discrete مع فك تشفير قائم على القيمة الناعمة

تتميز نماذج الانتشار بقدرتها على التقاط المساحات الطبيعية لتصميم الصور والجزيئات والـ DNA والـ RNA وتسلسلات البروتين. ومع ذلك، بدلاً من مجرد إنتاج تصاميم طبيعية، نستهدف غالبًا تحسين وظائف المكافآت في الأسفل مع الحفاظ على طبيعة هذه المساحات التصميمية. تتطلب الطرق الحالية لتحقيق هذا الهدف غالبًا نماذج وكيلة ``قابلة للاشتقاق'' (مثل إرشادات المصنف أو DPS) أو تشمل ضبط دقيق مكلف لنماذج الانتشار (مثل الإرشادات بدون مصنف، وضبط دقيق قائم على التعلم المعزز). في عملنا، نقترح طريقة جديدة لمعالجة هذه التحديات. خوارزميتنا هي طريقة أخذ عينات تكرارية تدمج دوال القيمة الناعمة، التي تتطلع إلى كيفية تطور الحالات الضبابية المتوسطة إلى مكافآت عالية في المستقبل، في إجراء الاستدلال القياسي لنماذج الانتشار المدربة مسبقًا. من الجدير بالذكر أن نهجنا يتجنب ضبط النماذج التوليدية ويقضي على الحاجة لبناء نماذج قابلة للاشتقاق. هذا يمكّننا من (1) استخدام ميزات/تغذية مرتدة غير قابلة للاشتقاق مباشرةً، والتي تُستخدم عادةً في العديد من المجالات العلمية، و (2) تطبيق طريقتنا على نماذج الانتشار الم discrete الحديثة بطريقة مبدئية. أخيرًا، نظهر فعالية خوارزميتنا عبر عدة مجالات، بما في ذلك توليد الصور وتوليد الجزيئات وتوليد تسلسلات الـ DNA والـ RNA. الكود متاح على https: //github. com/masa-ue/SVDDhttps: //github. com/masa-ue/SVDD.