University of Wisconsin-Madison（威斯康星大学麦迪逊分校）

Generative Multi-Objective Bayesian Optimization with Scalable Batch Evaluations for Sample-Efficient De Novo Molecular Design

生成式多目标贝叶斯优化与可扩展批量评估用于样本高效的从头分子设计

Madhav R. Muthyala, Farshud Sorourifar, Tianhong Tan, You Peng, Joel A. Paulson

机构 * Department of Chemical and Biological Engineering, University of Wisconsin--Madison, Madison, Wisconsin 53706, United States（化学与生物工程系，威斯康星大学麦迪逊分校） ； Department of Chemical and Biomolecular Engineering, The Ohio State University, Columbus, Ohio 43210, United States（化学与生物分子工程系，俄亥俄州立大学） 纠错

AI总结 本文提出了一种生成式多目标贝叶斯优化框架，通过生成候选分子并优化选择，提高样本效率和多样性，在分子设计中取得显著进展。

Journey Before Destination: On the importance of Visual Faithfulness in Slow Thinking

目的地之前：视觉忠实性在慢思考中的重要性

Rheeya Uppaal, Phu Mon Htut, Min Bai, Nikolaos Pappas, Zheng Qi, Sandesh Swamy

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； AWS AI Labs（AWS人工智能实验室） 纠错

AI总结 本文提出视觉忠实性评估方法，通过检测并修正不忠实的感知步骤提升多模态推理的可靠性。

Comments Preprint

Feed Two Birds with One Scone: Exploiting Wild Data for Both Out-of-Distribution Generalization and Detection

用一个蛋糕喂两只鸟：利用野数据实现分布外泛化和检测

Haoyue Bai, Gregory Canal, Xuefeng Du, Jeongyeol Kwon, Robert Nowak, Yixuan Li

机构 * Institute for Foundations of Data Science, University of Wisconsin, Madison（数据科学基础研究院，威斯康星大学麦迪逊分校） ； Department of Computer Sciences, University of Wisconsin, Madison（计算机科学系，威斯康星大学麦迪逊分校） ； Department of Electrical and Computer Engineering, University of Wisconsin, Madison（电气与计算机工程系，威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出一种统一框架，通过利用野数据同时实现分布外泛化和检测，优于专门针对泛化或检测的基线方法。

Comments ICML 2023