연구진은 분자·단백질과 같은 구조화된 객체 최적화를 위한 잠재 공간 베이지안 최적화(LSBO)에 활용되는 표 기반 모델의 베이지안 행동 불일치 문제를 해결했어요. LSBO에 특화된 추가 훈련을 통해 표 기반 모델의 성능을 개선하고 분자 최적화 벤치마크에서 뛰어난 성과를 거두었어요. 연구는 기존 모델의 광범위한 회귀 사전 지식을 보존하면서 최적화 작업에 과도하게 특화되지 않도록 하는 정규화 방법을 사용했어요.
TabPFN과 TabICL과 같은 표 기반 모델은 회귀 성능이 뛰어나 베이지안 최적화 대리 모델로 활용되고 있지만, 사전 훈련 데이터 분포의 구성이 중요해요. LSBO는 잠재 코드에서 목적 값까지의 매핑 불일치를 야기하며, 연구진은 분자 VAE의 잠재 공간에서 합성 최적화 작업을 통해 이를 해결했어요.
연구진은 LSBO에 특화된 추가 훈련이 표 기반 대리 모델에 중요하다는 것을 입증하며, 분자 최적화 벤치마크에서 강력한 성능을 달성했어요.