論文の概要: Fast and stable MAP-Elites in noisy domains using deep grids
- arxiv url: http://arxiv.org/abs/2006.14253v1
- Date: Thu, 25 Jun 2020 08:47:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 02:55:47.165169
- Title: Fast and stable MAP-Elites in noisy domains using deep grids
- Title（参考訳）: ディープグリッドを用いた雑音領域の高速安定マップイライト
- Authors: Manon Flageat, Antoine Cully
- Abstract要約: Deep-Grid MAP-ElitesはMAP-Elitesアルゴリズムの変種である。
この単純なアプローチは、適合性最適化の観点から競争性能を達成しつつ、動作記述子のノイズに対する耐性が著しく高いことを示す。
- 参考スコア（独自算出の注目度）: 1.827510863075184
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quality-Diversity optimisation algorithms enable the evolution of collections
of both high-performing and diverse solutions. These collections offer the
possibility to quickly adapt and switch from one solution to another in case it
is not working as expected. It therefore finds many applications in real-world
domain problems such as robotic control. However, QD algorithms, like most
optimisation algorithms, are very sensitive to uncertainty on the fitness
function, but also on the behavioural descriptors. Yet, such uncertainties are
frequent in real-world applications. Few works have explored this issue in the
specific case of QD algorithms, and inspired by the literature in Evolutionary
Computation, mainly focus on using sampling to approximate the "true" value of
the performances of a solution. However, sampling approaches require a high
number of evaluations, which in many applications such as robotics, can quickly
become impractical. In this work, we propose Deep-Grid MAP-Elites, a variant of
the MAP-Elites algorithm that uses an archive of similar previously encountered
solutions to approximate the performance of a solution. We compare our approach
to previously explored ones on three noisy tasks: a standard optimisation task,
the control of a redundant arm and a simulated Hexapod robot. The experimental
results show that this simple approach is significantly more resilient to noise
on the behavioural descriptors, while achieving competitive performances in
terms of fitness optimisation, and being more sample-efficient than other
existing approaches.
- Abstract（参考訳）: 品質多様性最適化アルゴリズムは、高性能かつ多様なソリューションのコレクションの進化を可能にする。
これらのコレクションは、期待通りに動作しない場合に、素早く適応し、あるソリューションから別のソリューションに切り替えることを可能にする。
したがって、ロボット制御のような現実世界のドメイン問題には多くの応用がある。
しかし、ほとんどの最適化アルゴリズムと同様に、QDアルゴリズムはフィットネス機能に対する不確実性に対して非常に敏感である。
しかし、そのような不確実性は現実世界のアプリケーションでは頻繁に発生する。
QDアルゴリズムの特定のケースでこの問題を探求する研究はほとんどなく、進化的計算の文献に触発され、主にサンプリングを用いて解のパフォーマンスの「真の」値を近似することに焦点を当てている。
しかし、サンプリングアプローチには多くの評価が必要であり、ロボット工学などの多くの応用において、すぐに非現実的になる可能性がある。
本研究では,前に遭遇した類似解のアーカイブを用いて解の性能を近似する,map-elitesアルゴリズムの変種であるdeep-grid map-elitesを提案する。
従来の3つのノイズのあるタスク(標準最適化タスク、冗長アームの制御、シミュレートされたヘキサポッドロボット)と比較した。
実験の結果, この単純な手法は, 動作記述子のノイズに対する耐性が著しく向上する一方で, 適合度最適化の点で競争性能が向上し, 既存の手法よりもサンプル効率がよいことがわかった。
関連論文リスト
- Benchmarking Optimizers for Qumode State Preparation with Variational Quantum Algorithms [10.941053143198092]
この分野の進歩と潜在的な応用により、クォーモックへの関心が高まっている。
本稿では,変分量子アルゴリズムを用いて状態準備に使用する各種パラメータのパフォーマンスベンチマークを提供することにより,このギャップを埋めることを目的とする。
論文 参考訳（メタデータ） (2024-05-07T17:15:58Z) - 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) - Batch Bayesian Optimization for Replicable Experimental Design [56.64902148159355]
多くの実世界の設計問題は、大規模で異質な観測ノイズのため、複数の実験条件を並列に評価し、各条件を複数回再現する。
本稿では,3つのアルゴリズムを含むReplicable Experimental Designフレームワークのバッチトンプソンサンプリングを提案する。
我々は,アルゴリズムの有効性を,精密農業とAutoMLの2つの実世界の応用例で示す。
論文 参考訳（メタデータ） (2023-11-02T12:46:03Z) - Don't Bet on Luck Alone: Enhancing Behavioral Reproducibility of
Quality-Diversity Solutions in Uncertain Domains [2.639902239625779]
アーカイブ再現性向上アルゴリズム(ARIA)を紹介する。
ARIAは、アーカイブに存在するソリューションの品質を改善するプラグイン・アンド・プレイのアプローチである。
提案アルゴリズムは,任意のアーカイブの品質とディスクリプタ空間のカバレッジを少なくとも50%向上させることを示す。
論文 参考訳（メタデータ） (2023-04-07T14:45:14Z) - Enhancing MAP-Elites with Multiple Parallel Evolution Strategies [8.585387103144825]
進化戦略(ES)に基づく新しい品質多様性(QD)アルゴリズムを提案する。
MEMESは複数の(最大100までの)同時ESプロセスを維持しており、それぞれが独立してQD最適化用に設計されている。
ブラックボックス最適化とQD強化学習において,MEMESは勾配に基づくQDアルゴリズムと突然変異に基づくQDアルゴリズムの両方より優れていることを示す。
論文 参考訳（メタデータ） (2023-03-10T18:55:02Z) - A Simple Evolutionary Algorithm for Multi-modal Multi-objective
Optimization [0.0]
マルチモーダル・多目的最適化問題(MMOP)を解くための定常進化アルゴリズムを提案する。
本報告では,1000関数評価の低計算予算を用いて,様々なテストスイートから得られた21個のMMOPの性能について報告する。
論文 参考訳（メタデータ） (2022-01-18T03:31:11Z) - Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。
SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。
本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。
ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
論文 参考訳（メタデータ） (2021-09-13T18:10:52Z) - 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) - Adaptive Sampling for Best Policy Identification in Markov Decision
Processes [79.4957965474334]
本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。
最先端アルゴリズムの利点を論じ、解説する。
論文 参考訳（メタデータ） (2020-09-28T15:22:24Z) - AP-Loss for Accurate One-Stage Object Detection [49.13608882885456]
一段階の物体検出器は、分類損失と局所化損失を同時に最適化することによって訓練される。
前者は、多数のアンカーのため、非常に前景と後方のアンカーの不均衡に悩まされる。
本稿では,一段検知器の分類タスクをランキングタスクに置き換える新しい枠組みを提案する。
論文 参考訳（メタデータ） (2020-08-17T13:22:01Z) - Beyond Worst-Case Analysis in Stochastic Approximation: Moment
Estimation Improves Instance Complexity [58.70807593332932]
近似問題に対する勾配に基づく手法のオラクル複雑性について検討する。
最悪のケースの複雑さではなく、インスタンス依存の複雑さに焦点を当てます。
提案アルゴリズムとその解析はモーメント推定の成功を理論的に正当化する。
論文 参考訳（メタデータ） (2020-06-08T09:25:47Z)
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。