論文の概要: Pareto Set Learning for Expensive Multi-Objective Optimization
- arxiv url: http://arxiv.org/abs/2210.08495v1
- Date: Sun, 16 Oct 2022 09:41:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 15:46:23.100302
- Title: Pareto Set Learning for Expensive Multi-Objective Optimization
- Title（参考訳）: 高価な多目的最適化のためのpareto set learning
- Authors: Xi Lin, Zhiyuan Yang, Xiaoyuan Zhang, Qingfu Zhang
- Abstract要約: 膨大な多目的最適化問題は、多くの現実世界のアプリケーションで見られる。
本稿では,MOBOのパレート集合全体を近似する学習に基づく新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 5.419608513284392
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Expensive multi-objective optimization problems can be found in many
real-world applications, where their objective function evaluations involve
expensive computations or physical experiments. It is desirable to obtain an
approximate Pareto front with a limited evaluation budget. Multi-objective
Bayesian optimization (MOBO) has been widely used for finding a finite set of
Pareto optimal solutions. However, it is well-known that the whole Pareto set
is on a continuous manifold and can contain infinite solutions. The structural
properties of the Pareto set are not well exploited in existing MOBO methods,
and the finite-set approximation may not contain the most preferred solution(s)
for decision-makers. This paper develops a novel learning-based method to
approximate the whole Pareto set for MOBO, which generalizes the
decomposition-based multi-objective optimization algorithm (MOEA/D) from finite
populations to models. We design a simple and powerful acquisition search
method based on the learned Pareto set, which naturally supports batch
evaluation. In addition, with our proposed model, decision-makers can readily
explore any trade-off area in the approximate Pareto set for flexible
decision-making. This work represents the first attempt to model the Pareto set
for expensive multi-objective optimization. Experimental results on different
synthetic and real-world problems demonstrate the effectiveness of our proposed
method.
- Abstract（参考訳）: 膨大な多目的最適化問題は、その目的関数評価が高価な計算や物理実験を含む多くの実世界のアプリケーションで見られる。
評価予算が限定された近似したパレートフロントを得るのが望ましい。
多目的ベイズ最適化(MOBO)はパレート最適解の有限集合を見つけるために広く用いられている。
しかしながら、パレート集合全体が連続多様体上にあり、無限解を含むことはよく知られている。
パレート集合の構造的性質は既存のMOBO法ではうまく利用されておらず、有限集合近似は意思決定者にとって最も望ましい解を含まないかもしれない。
本稿では, 有限集団からモデルへの分解型多目的最適化アルゴリズム(MOEA/D)を一般化したMOBOのパレート集合全体を近似する新しい学習法を提案する。
我々は,バッチ評価を自然にサポートする学習パレート集合に基づく,シンプルで強力な獲得探索法を設計する。
さらに,提案モデルでは,フレキシブルな意思決定のための近似パレート集合における任意のトレードオフ領域を,意思決定者が容易に探索できる。
この仕事は、高価な多目的最適化のためにパレート集合をモデル化する最初の試みである。
異なる合成および実世界の問題に対する実験結果から,提案手法の有効性が示された。
関連論文リスト
- Preference-Optimized Pareto Set Learning for Blackbox Optimization [1.9628841617148691]
すべての目的を同時に最適化できる単一のソリューションはありません。
典型的なMOO問題では、目的間の好みを交換する最適解(パレート集合)を見つけることが目的である。
我々の定式化は、例えば微分可能なクロスエントロピー法によって解決できる二段階最適化問題につながる。
論文 参考訳（メタデータ） (2024-08-19T13:23:07Z) - Towards Efficient Pareto Set Approximation via Mixture of Experts Based Model Fusion [53.33473557562837]
大規模深層ニューラルネットワークに対する多目的最適化問題を解くことは、損失ランドスケープの複雑さと高価な計算コストのために難しい課題である。
本稿では,専門家(MoE)をベースとしたモデル融合を用いて,この問題を実用的でスケーラブルに解決する手法を提案する。
特殊な単一タスクモデルの重みをまとめることで、MoEモジュールは複数の目的間のトレードオフを効果的に捉えることができる。
論文 参考訳（メタデータ） (2024-06-14T07:16:18Z) - MAP: Low-compute Model Merging with Amortized Pareto Fronts via Quadratic Approximation [80.47072100963017]
Amortized Pareto Front (MAP) を用いた新しい低演算アルゴリズム Model Merging を導入する。
MAPは、複数のモデルをマージするためのスケーリング係数のセットを効率的に識別し、関連するトレードオフを反映する。
また,タスク数が比較的少ないシナリオではベイジアンMAP,タスク数の多い状況ではNested MAPを導入し,計算コストを削減した。
論文 参考訳（メタデータ） (2024-06-11T17:55:25Z) - UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [75.11267478778295]
マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。
重みベクトル w でパラメータ化される線型効用関数の場合に焦点を当てる。
学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
論文 参考訳（メタデータ） (2024-05-01T09:34:42Z) - Multi-Objective Bayesian Optimization with Active Preference Learning [18.066263838953223]
本稿では,多目的最適化 (MOO) 問題において最も望ましい解を特定するためのベイズ最適化 (BO) 手法を提案する。
また、意思決定者(DM)との相互作用コストを最小限に抑えるため、選好推定のためのアクティブラーニング戦略を提案する。
論文 参考訳（メタデータ） (2023-11-22T15:24:36Z) - Dealing with Structure Constraints in Evolutionary Pareto Set Learning [11.242036067940289]
多くの実世界のアプリケーションでは、最適解集合全体の構造的制約を持つことが望ましい。
構造制約を1つのパレート集合モデルによって設定された解全体へ組み込む最初の試みを行う。
提案手法により, 意思決定者は最適性を全ての解の中から好意的な構造と柔軟に交換することができる。
論文 参考訳（メタデータ） (2023-10-31T12:53:56Z) - Multi-Objective GFlowNets [59.16787189214784]
本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。
薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。
GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
論文 参考訳（メタデータ） (2022-10-23T16:15:36Z) - 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) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳（メタデータ） (2022-01-28T05:53:28Z) - Pareto Navigation Gradient Descent: a First-Order Algorithm for
Optimization in Pareto Set [17.617944390196286]
マルチタスク学習のような現代の機械学習アプリケーションは、複数の目的関数をトレードオフするために最適なモデルパラメータを見つける必要がある。
勾配情報のみを用いてOPT-in-Paretoを近似的に解く1次アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-10-17T04:07:04Z) - Provable Multi-Objective Reinforcement Learning with Generative Models [98.19879408649848]
目的の選好から最適な政策を学習する単一政策 MORL の問題について検討する。
既存の方法は、多目的決定プロセスの正確な知識のような強い仮定を必要とする。
モデルベースエンベロップ値 (EVI) と呼ばれる新しいアルゴリズムを提案し, 包含された多目的$Q$学習アルゴリズムを一般化する。
論文 参考訳（メタデータ） (2020-11-19T22:35:31Z)
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。