# 多目标强化学习

靶向药物设计的生成模型长期把蛋白—配体相互作用压成一个对接分数，掩盖了同一靶点上不同结合模式的功能差异。BindMol按参考复合物结构把结合口袋聚类成若干热点，每个热点对应一个奖励维度，再用偏好条件化的多目标强化学习同时优化这些冲突目标。在parp1、fa7、5ht1b、braf、jak2五个靶点上，其新颖命中率分别为42.617、24.580、42.149、30.767、44.864，高于GEAM的40.635、17.903、36.667、27.887、42.025，并在braf与jak2上更频繁复现晶体结构对应的I型与II型结合模式。

靶向药物设计的生成模型长期把蛋白—配体相互作用压成一个对接分数，掩盖了同一靶点上不同结合模式的功能差异。BindMol按参考复合物结构把结合口袋聚类成若干热点，每个热点对应一个奖励维度，再用偏好条件化的多目标强化学习同时优化这些冲突目标。在parp1、fa7、5ht1b、braf、jak2五个靶点上，其新颖命中率分别为42.617、24.580、42.149、30.767、44.864，高于GEAM的40.635、17.903、36.667、27.887、42.025，并在braf与jak2上更频繁复现晶体结构对应的I型与II型结合模式。

该工作提出 MO-IKE，一种多目标强化学习算法，将上下文知识编辑中的提示构建形式化为约束马尔可夫决策过程，训练动态检索器以在可靠性、通用性和特异性等相互竞争的目标之间进行优化，在 Llama-3.2 上把编辑成功率从 85.0% 提升到 92.0%、改写一致性从 77% 提升到 79%，并将保留率较此前基于强化学习的方法提高 23.0%。

该工作提出 MO-IKE，一种多目标强化学习算法，将上下文知识编辑中的提示构建形式化为约束马尔可夫决策过程，训练动态检索器以在可靠性、通用性和特异性等相互竞争的目标之间进行优化，在 Llama-3.2 上把编辑成功率从 85.0% 提升到 92.0%、改写一致性从 77% 提升到 79%，并将保留率较此前基于强化学习的方法提高 23.0%。