論文の概要: Ensemble Feature Extraction for Multi-Container Quality-Diversity Algorithms

• arxiv url: http://arxiv.org/abs/2105.00682v1
• Date: Mon, 3 May 2021 08:35:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-01 17:57:46.572822
• Title: Ensemble Feature Extraction for Multi-Container Quality-Diversity Algorithms
• Title（参考訳）: マルチコンテナ品質多様性アルゴリズムのためのアンサンブル特徴抽出
• Authors: Leo Cazenille
• Abstract要約: 品質多様性アルゴリズムは多種多様な高性能なソリューションのコレクションを探索する。 MC-AURORA(Quality-Diversity approach)について述べる。 このアプローチは、単一表現アプローチによって生成されるソリューションよりも、より多様なソリューションを生成することを示す。
• 参考スコア（独自算出の注目度）: 0.2741266294612775
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quality-Diversity algorithms search for large collections of diverse and high-performing solutions, rather than just for a single solution like typical optimisation methods. They are specially adapted for multi-modal problems that can be solved in many different ways, such as complex reinforcement learning or robotics tasks. However, these approaches are highly dependent on the choice of feature descriptors (FDs) quantifying the similarity in behaviour of the solutions. While FDs usually needs to be hand-designed, recent studies have proposed ways to define them automatically by using feature extraction techniques, such as PCA or Auto-Encoders, to learn a representation of the problem from previously explored solutions. Here, we extend these approaches to more complex problems which cannot be efficiently explored by relying only on a single representation but require instead a set of diverse and complementary representations. We describe MC-AURORA, a Quality-Diversity approach that optimises simultaneously several collections of solutions, each with a different set of FDs, which are, in turn, defined automatically by an ensemble of modular auto-encoders. We show that this approach produces solutions that are more diverse than those produced by single-representation approaches.
• Abstract（参考訳）: 品質多様性のアルゴリズムは、典型的な最適化法のような単一のソリューションではなく、多様でハイパフォーマンスなソリューションの大規模なコレクションを探索する。 複雑な強化学習やロボット工学のタスクなど、様々な方法で解決できるマルチモーダルな問題に特化している。 しかし、これらのアプローチは、解の挙動の類似性を定量化する特徴記述子(fds)の選択に大きく依存している。 fdsは通常、手作業で設計する必要があるが、最近の研究では、pcaやオートエンコーダといった特徴抽出技術を使って、以前検討した解から問題の表現を学ぶ方法が提案されている。 ここでは、これらのアプローチをより複雑な問題に拡張し、単一の表現だけでは探索できないが、代わりに多様で相補的な表現のセットを必要とする。 MC-AURORAは,モジュール型自動エンコーダのアンサンブルによって自動的に定義される異なるFDの集合を持つ,複数のソリューションのコレクションを同時に最適化する,品質多様性アプローチである。 このアプローチが単一表現アプローチによって生成されるものよりも、より多様なソリューションを生み出すことを示している。

関連論文リスト

• Preference-Conditioned Gradient Variations for Multi-Objective Quality-Diversity [7.799824794686343]
  優先条件付きポリシー段階突然変異を用いた多目的品質多様性アルゴリズムを提案する。 提案手法は,新たに提案した疎度測定値により,よりスムーズなトレードオフを実現する。 この性能は、従来の方法に比べて計算ストレージコストが低い。
  論文  参考訳（メタデータ） (2024-11-19T11:50:03Z)
• Factorization of Multi-Agent Sampling-Based Motion Planning [72.42734061131569]
  現代のロボティクスは、共有環境内で複数のエンボディエージェントを動作させることが多い。 標準的なサンプリングベースのアルゴリズムは、ロボットの関節空間における解の探索に使用できる。 我々は、因子化の概念をサンプリングベースアルゴリズムに統合し、既存の手法への最小限の変更しか必要としない。 本稿では, PRM* のサンプル複雑性の観点から解析的ゲインを導出し, RRG の実証結果を示す。
  論文  参考訳（メタデータ） (2023-04-01T15:50:18Z)
• Multi-agent Dynamic Algorithm Configuration [29.065510165544865]
  自動アルゴリズム構成により、ユーザは面倒で試行錯誤的なチューニングタスクを省くことができる。 本稿では,複雑なアルゴリズムのためのマルチエージェントDAC(MA-DAC)を提案する。 我々は,MA-DACが他の構成調整手法と比較して優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2022-10-13T08:39:32Z)
• Multi-objective QUBO Solver: Bi-objective Quadratic Assignment [0.0]
  商用QUBOソルバを多目的ソルバとしてサポートするアルゴリズムを拡張した最初の試みを示す。 提案した多目的DAアルゴリズムは、二目的の二次割当て問題に対して検証される。
  論文  参考訳（メタデータ） (2022-05-26T14:48:03Z)
• Pareto Set Learning for Neural Multi-objective Combinatorial Optimization [6.091096843566857]
  多目的最適化(MOCO)の問題は、現実世界の多くのアプリケーションで見られる。 我々は,与えられたMOCO問題に対するパレート集合全体を,探索手順を伴わずに近似する学習ベースアプローチを開発した。 提案手法は,多目的走行セールスマン問題,マルチコンディショニング車両ルーティング問題,複数クナップサック問題において,ソリューションの品質,速度,モデル効率の面で,他の方法よりも優れていた。
  論文  参考訳（メタデータ） (2022-03-29T09:26:22Z)
• Discovering Diverse Solutions in Deep Reinforcement Learning [84.45686627019408]
  強化学習アルゴリズムは通常、特定のタスクの単一のソリューションを学ぶことに限定される。 連続的あるいは離散的な低次元潜在変数に条件付きポリシーを訓練することにより、無限に多くの解を学習できるRL法を提案する。
  論文  参考訳（メタデータ） (2021-03-12T04:54:31Z)
• Isometric Multi-Shape Matching [50.86135294068138]
  形状間の対応を見つけることは、コンピュータビジョンとグラフィックスの基本的な問題である。 アイソメトリーは形状対応問題においてしばしば研究されるが、マルチマッチング環境では明確には考慮されていない。 定式化を解くのに適した最適化アルゴリズムを提案し,コンバージェンスと複雑性解析を提供する。
  論文  参考訳（メタデータ） (2020-12-04T15:58:34Z)
• Discovering Representations for Black-box Optimization [73.59962178534361]
  ブラックボックス最適化符号化は手作業で行うのではなく,自動的に学習可能であることを示す。 学習された表現は、標準的なMAP-Elitesよりも桁違いに少ない評価で高次元の問題を解くことができることを示す。
  論文  参考訳（メタデータ） (2020-03-09T20:06:20Z)
• GACEM: Generalized Autoregressive Cross Entropy Method for Multi-Modal Black Box Constraint Satisfaction [69.94831587339539]
  本稿では,マスク付き自己回帰ニューラルネットワークを用いて解空間上の均一分布をモデル化するクロスエントロピー法(CEM)を提案する。 我々のアルゴリズムは複雑な解空間を表現でき、様々な異なる解領域を追跡できる。
  論文  参考訳（メタデータ） (2020-02-17T20:21:20Z)
• Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
  我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。 我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-29T09:40:58Z)

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。