Applications d’autoencodeurs variationnels et d’optimisation bayésienne avec José Miguel Hernández Lobato

Dans cet épisode, nous sommes rejoints par José Miguel Hernández-Lobato, professeur d’université en machine à l’apprentissage automatique à l’Université de Cambridge. Dans notre conversation avec Miguel, nous explorons son travail à l’intersection de l’apprentissage bayésien et de l’apprentissage en profondeur.

Nous discutons de la façon dont il a appliqué cela dans le domaine de la conception et de la découverte moléculaires via deux méthodes différentes, avec un article recherchant des réactions chimiques possibles, et l’autre faisant de même, mais en 3D et dans l’espace 3D. Nous discutons également des défis de l’efficacité de l’échantillon, de la création de fonctions objectives et de la façon dont ceux-ci se manifestent dans ces expériences, et comment il a intégré l’approche bayésienne des problèmes de RL. Nous parlons également à travers une poignée d’autres articles que Miguel a présentés lors de conférences récentes, qui sont toutes liées ci-dessous.