論文の概要: Expressivity of Parameterized and Data-driven Representations in Quality Diversity Search

• arxiv url: http://arxiv.org/abs/2105.04247v1
• Date: Mon, 10 May 2021 10:27:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-11 21:11:08.204899
• Title: Expressivity of Parameterized and Data-driven Representations in Quality Diversity Search
• Title（参考訳）: 品質多様性探索におけるパラメータ化表現とデータ駆動表現の表現性
• Authors: Alexander Hagg, Sebastian Berns, Alexander Asteroth, Simon Colton, Thomas B\"ack
• Abstract要約: 2つの異なる検索空間で実施した品質多様性進化探索の出力多様性を比較する。 学習モデルは、未知の例への外挿や拡大よりも、既知のデータポイント間の補間が優れている。
• 参考スコア（独自算出の注目度）: 111.06379262544911
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider multi-solution optimization and generative models for the generation of diverse artifacts and the discovery of novel solutions. In cases where the domain's factors of variation are unknown or too complex to encode manually, generative models can provide a learned latent space to approximate these factors. When used as a search space, however, the range and diversity of possible outputs are limited to the expressivity and generative capabilities of the learned model. We compare the output diversity of a quality diversity evolutionary search performed in two different search spaces: 1) a predefined parameterized space and 2) the latent space of a variational autoencoder model. We find that the search on an explicit parametric encoding creates more diverse artifact sets than searching the latent space. A learned model is better at interpolating between known data points than at extrapolating or expanding towards unseen examples. We recommend using a generative model's latent space primarily to measure similarity between artifacts rather than for search and generation. Whenever a parametric encoding is obtainable, it should be preferred over a learned representation as it produces a higher diversity of solutions.
• Abstract（参考訳）: 多様なアーティファクトの生成と新しい解の発見のために,マルチソリューション最適化と生成モデルを考える。 ドメインの変動要因が未知あるいは複雑すぎて手動で符号化できない場合、生成モデルはこれらの因子を近似するために学習された潜在空間を提供することができる。 しかし、探索空間として使われる場合、可能な出力の範囲と多様性は学習モデルの表現性と生成能力に制限される。 本研究では,(1)事前定義されたパラメータ化空間,2)変分自己エンコーダモデルの潜時空間の2つの異なる探索空間で行った品質多様性進化探索の出力多様性を比較した。 明示的なパラメトリック符号化の探索は、潜在空間を探索するよりも多種多様なアーティファクト集合を生成する。 学習モデルは、未知の例への外挿や拡大よりも、既知のデータポイント間の補間が優れている。 生成モデルの潜在空間を用いて、検索や生成ではなく、アーティファクト間の類似度を測定することを推奨する。 パラメトリック符号化が取得可能な場合、より多様な解を生成するため、学習された表現よりも好まれる。

関連論文リスト

• GSSF: Generalized Structural Sparse Function for Deep Cross-modal Metric Learning [51.677086019209554]
  ペアワイド類似性学習のためのモダリティ間の強力な関係を捕捉する汎用構造スパースを提案する。 距離メートル法は、対角線とブロック対角線の2つの形式を微妙にカプセル化する。 クロスモーダルと2つの余分なユニモーダル検索タスクの実験は、その優位性と柔軟性を検証した。
  論文  参考訳（メタデータ） (2024-10-20T03:45:50Z)
• Comparing the latent space of generative models [0.0]
  潜在ベクトル生成モデルの潜在空間におけるデータポイントの異なるエンコーディングは、データの背後にある様々な説明要因の多かれ少なかれ効果的で不整合な特徴づけをもたらす可能性がある。 単純な線形写像は、情報の大半を保存しながら、潜在空間から別の空間に渡すのに十分である。
  論文  参考訳（メタデータ） (2022-07-14T10:39:02Z)
• COIL: Constrained Optimization in Learned Latent Space -- Learning Representations for Valid Solutions [4.372703857711996]
  我々は変分オートエンコーダを用いて、遅延空間(COIL)における制約付き最適化の表現を学習する。 COILは制約を満たすことができ、最大2桁近い目標までの距離の解を求めることができる。 標準表現を用いた同一GAと比較すると,COILの学習遅延表現は制約を満たすことができ,最大2桁近い目標の解を求めることができる。
  論文  参考訳（メタデータ） (2022-02-04T14:45:37Z)
• Massive-scale Decoding for Text Generation using Lattices [34.2658286826597]
  多数の生成オプションを符号化する格子を構成するための探索アルゴリズムを提案する。 我々のアルゴリズムは、文法的かつ高品質な数百から数千の多様な選択肢を1つの線形サイズの格子に符号化している。
  論文  参考訳（メタデータ） (2021-12-14T18:56:11Z)
• Multidimensional Assignment Problem for multipartite entity resolution [69.48568967931608]
  Multipartiteエンティティ解決は、複数のデータセットから1つのエンティティにレコードを統合することを目的としている。 代入問題を解くために、グリーディアルゴリズムと大規模近傍探索という2つの手順を適用する。 データベースのサイズが大きくなるにつれて、設計ベースのマルチスタートがより効率的であることを示す。
  論文  参考訳（メタデータ） (2021-12-06T20:34:55Z)
• Multimodal Data Fusion in High-Dimensional Heterogeneous Datasets via Generative Models [16.436293069942312]
  我々は、教師なしの方法で高次元異種データから確率的生成モデルを学習することに興味がある。 本稿では,指数関数的な分布系を通じて異なるデータ型を結合する一般的なフレームワークを提案する。 提案アルゴリズムは、実数値(ガウス)とカテゴリー(マルチノミカル)の特徴を持つ、よく遭遇する異種データセットについて詳細に述べる。
  論文  参考訳（メタデータ） (2021-08-27T18:10:31Z)
• Redefining Neural Architecture Search of Heterogeneous Multi-Network Models by Characterizing Variation Operators and Model Components [71.03032589756434]
  複素領域における異なる変動演算子の効果について検討する。 モデルの複雑さと性能に影響を及ぼす変化演算子と、それを構成する異なる部分の質を推定する様々な指標に依存するモデルの両方を特徴付ける。
  論文  参考訳（メタデータ） (2021-06-16T17:12:26Z)
• Conditional Generative Modeling via Learning the Latent Space [54.620761775441046]
  マルチモーダル空間における条件生成のための新しい枠組みを提案する。 潜在変数を使って一般化可能な学習パターンをモデル化する。 推論では、潜伏変数は複数の出力モードに対応する最適解を見つけるために最適化される。
  論文  参考訳（メタデータ） (2020-10-07T03:11:34Z)
• The data-driven physical-based equations discovery using evolutionary approach [77.34726150561087]
  与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。 このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。 解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
  論文  参考訳（メタデータ） (2020-04-03T17:21:57Z)

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。