論文の概要: Quality Diversity for Multi-task Optimization

• arxiv url: http://arxiv.org/abs/2003.04407v2
• Date: Fri, 17 Apr 2020 09:53:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 08:51:59.611312
• Title: Quality Diversity for Multi-task Optimization
• Title（参考訳）: マルチタスク最適化のための品質多様性
• Authors: Jean-Baptiste Mouret, Glenn Maguire
• Abstract要約: 本稿では,マルチタスクMAP-Elitesと呼ばれるMAP-Elitesアルゴリズムの拡張を提案する。 擬似パラメータ化された平面アーム(10次元探索空間、5000タスク)と、異なる長さの脚を持つ擬似6脚ロボット(36次元探索空間、2000タスク)で評価する。
• 参考スコア（独自算出の注目度）: 4.061135251278186
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quality Diversity (QD) algorithms are a recent family of optimization algorithms that search for a large set of diverse but high-performing solutions. In some specific situations, they can solve multiple tasks at once. For instance, they can find the joint positions required for a robotic arm to reach a set of points, which can also be solved by running a classic optimizer for each target point. However, they cannot solve multiple tasks when the fitness needs to be evaluated independently for each task (e.g., optimizing policies to grasp many different objects). In this paper, we propose an extension of the MAP-Elites algorithm, called Multi-task MAP-Elites, that solves multiple tasks when the fitness function depends on the task. We evaluate it on a simulated parameterized planar arm (10-dimensional search space; 5000 tasks) and on a simulated 6-legged robot with legs of different lengths (36-dimensional search space; 2000 tasks). The results show that in both cases our algorithm outperforms the optimization of each task separately with the CMA-ES algorithm.
• Abstract（参考訳）: 品質多様性(QD)アルゴリズムは、多種多様な高パフォーマンスなソリューションを探索する最適化アルゴリズムの最近のファミリである。 特定の状況下では、一度に複数のタスクを解決できる。 例えば、ロボットアームが一組のポイントに到達するために必要なジョイント位置を見つけることができ、ターゲットポイントごとに古典的なオプティマイザを実行することでも解決できる。 しかし、各タスクに対して個別に適合性を評価する必要がある場合(例えば、多くの異なるオブジェクトを把握するためのポリシーを最適化するなど)、複数のタスクを解決することはできない。 本稿では,適合度関数がタスクに依存する場合,複数のタスクを解決するマルチタスクmap-elitesアルゴリズムの拡張を提案する。 シミュレーションされたパラメータ化された平面アーム (10次元探索空間, 5000タスク) と, 長さの異なる6脚ロボット (36次元探索空間, 2000タスク) で評価した。 その結果,いずれの場合においても,各タスクの最適化をcma-esアルゴリズムと別々に上回った。

関連論文リスト

• A Two-stage Reinforcement Learning-based Approach for Multi-entity Task Allocation [27.480892280342417]
  意思決定者は、さまざまなシナリオで合理的にエンティティをタスクに割り当てなければならない。 従来のメソッドは静的な属性とタスクやエンティティの数を前提としており、しばしば動的プログラミングとソリューションのアルゴリズムに依存している。 類似性に基づく2段階のタスク割り当てアルゴリズムを提案し、強化学習を利用してアロケーション戦略を学習する。
  論文  参考訳（メタデータ） (2024-06-29T17:13:44Z)
• Parametric-Task MAP-Elites [3.499042782396682]
  Parametric-Task MAP-Elites (PT-ME) は連続マルチタスク最適化問題に対する新しいブラックボックスアルゴリズムである。 PT-ME は2つのパラメトリックタスクの玩具問題に対する深層強化学習アルゴリズム PPO やシミュレーションにおけるロボット問題など,すべてのベースラインより優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-02T10:04:29Z)
• Quality-Diversity Algorithms Can Provably Be Helpful for Optimization [24.694984679399315]
  QD(Quality-Diversity)アルゴリズムは、ハイパフォーマンスだが多様なソリューションのセットを見つけることを目的としている。 本稿では,厳密な実行時間解析によってQDアルゴリズムの最適化能力に光を当てようとしている。
  論文  参考訳（メタデータ） (2024-01-19T07:40:24Z)
• FAMO: Fast Adaptive Multitask Optimization [48.59232177073481]
  本稿では,動的重み付け手法であるFast Adaptive Multitask Optimization FAMOを導入する。 この結果から,FAMOは最先端の勾配操作技術に匹敵する,あるいは優れた性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-06-06T15:39:54Z)
• Multi-Objective Quality Diversity Optimization [2.4608515808275455]
  MOME(Multi-Objective MAP-Elites)の多目的設定におけるMAP-Elitesアルゴリズムの拡張を提案する。 すなわち、MAP-Elitesグリッドアルゴリズムから受け継いだ多様性と、多目的最適化の強みを組み合わせる。 本手法は,標準的な最適化問題からロボットシミュレーションまで,いくつかのタスクで評価する。
  論文  参考訳（メタデータ） (2022-02-07T10:48:28Z)
• Selection-Expansion: A Unifying Framework for Motion-Planning and Diversity Search Algorithms [69.87173070473717]
  本稿では,2つの多様性探索アルゴリズム,ノベルティ探索アルゴリズムとゴール探索処理アルゴリズムの特性について検討する。 mpアルゴリズムとの関係は、ポリシーパラメータ空間と結果空間の間のマッピングの滑らかさ、あるいは滑らかさの欠如が検索効率において重要な役割を担っていることを示している。
  論文  参考訳（メタデータ） (2021-04-10T13:52:27Z)
• Subdimensional Expansion for Multi-objective Multi-agent Path Finding [10.354181009277623]
  マルチエージェントパスプランナーは通常、パスの長さなどの単一の目的を最適化するパスを決定する。 しかし、多くのアプリケーションは、計画プロセスにおいて同時に最適化されるために、例えば、時間から完了までの時間や燃料使用など、複数の目的を必要とするかもしれない。 本稿では,このいわゆる次元の呪いを回避し,従来のマルチエージェントワークをサブ次元展開という枠組みで活用するアプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-02T06:58:28Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)
• Small Towers Make Big Differences [59.243296878666285]
  マルチタスク学習は、複数の機械学習タスクを同時に解決することを目的としている。 マルチタスク学習問題に対する優れた解法は、Paretoの最適性に加えて一般化可能であるべきである。 本稿では,マルチタスクモデルのためのパラメータ下自己助詞の手法を提案し,両世界のベストを達成した。
  論文  参考訳（メタデータ） (2020-08-13T10:45:31Z)
• Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal Constraints [52.58352707495122]
  本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。 都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
  論文  参考訳（メタデータ） (2020-05-27T01:10:41Z)
• Pareto Multi-Task Learning [53.90732663046125]
  マルチタスク学習は複数の相関タスクを同時に解くための強力な方法である。 異なるタスクが互いに衝突する可能性があるため、すべてのタスクを最適化するひとつのソリューションを見つけることは、しばしば不可能である。 近年,マルチタスク学習を多目的最適化として活用することにより,タスク間のトレードオフが良好である1つのパレート最適解を求める方法が提案されている。
  論文  参考訳（メタデータ） (2019-12-30T08:58:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。