論文の概要: Can the Problem-Solving Benefits of Quality Diversity Be Obtained
Without Explicit Diversity Maintenance?
- arxiv url: http://arxiv.org/abs/2305.07767v1
- Date: Fri, 12 May 2023 21:24:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 19:46:20.212407
- Title: Can the Problem-Solving Benefits of Quality Diversity Be Obtained
Without Explicit Diversity Maintenance?
- Title（参考訳）: 厳密な多様性維持なしに品質の多様性を達成できるのか?
- Authors: Ryan Boldi and Lee Spector
- Abstract要約: 適切な比較は、emphmulti-objective Optimization frameworkに対して行われるべきだと我々は主張する。
本稿では, 個人に対する行動記述子の集合を自動的に決定するために, 次元還元を利用した手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When using Quality Diversity (QD) optimization to solve hard exploration or
deceptive search problems, we assume that diversity is extrinsically valuable.
This means that diversity is important to help us reach an objective, but is
not an objective in itself. Often, in these domains, practitioners benchmark
their QD algorithms against single objective optimization frameworks. In this
paper, we argue that the correct comparison should be made to
\emph{multi-objective} optimization frameworks. This is because single
objective optimization frameworks rely on the aggregation of sub-objectives,
which could result in decreased information that is crucial for maintaining
diverse populations automatically. In order to facilitate a fair comparison
between quality diversity and multi-objective optimization, we present a method
that utilizes dimensionality reduction to automatically determine a set of
behavioral descriptors for an individual, as well as a set of objectives for an
individual to solve. Using the former, one can generate solutions using
standard quality diversity optimization techniques, and using the latter, one
can generate solutions using standard multi-objective optimization techniques.
This allows for a level comparison between these two classes of algorithms,
without requiring domain and algorithm specific modifications to facilitate a
comparison.
- Abstract（参考訳）: QD(Quality Diversity)最適化を用いてハード探索や偽装探索の問題を解決する場合、多様性は本質的に価値があると仮定する。
これは、多様性は目標に到達するのに役立つが、それ自体は目的ではない、ということを意味します。
これらの領域では、実践者はQDアルゴリズムを単一の目的最適化フレームワークに対してベンチマークすることが多い。
本稿では,emph{multi-objective}最適化フレームワークについて,正しい比較を行うべきであることを論じる。
これは、単一目的最適化フレームワークがサブオブジェクトの集約に依存しているためであり、多様な個体群を自動で維持するために不可欠な情報の減少をもたらす可能性がある。
本稿では,品質の多様性と多目的最適化の公平な比較を容易にするために,個人に対する行動記述子のセットや,個人が解決すべき目的のセットを自動的に決定する次元性低減手法を提案する。
前者は標準品質の多様性最適化技術を用いて解を生成でき、後者は標準の多目的最適化技術を用いて解を生成できる。
これにより、比較を容易にするためにドメインとアルゴリズム固有の修正を必要とせず、これらの2種類のアルゴリズムのレベル比較が可能になる。
関連論文リスト
- Illuminating the Diversity-Fitness Trade-Off in Black-Box Optimization [9.838618121102053]
現実世界のアプリケーションでは、ユーザーは1つの高品質なソリューションよりも構造的に多様な設計選択を好むことが多い。
本稿では, この課題に対する新たな視点として, 与えられたしきい値を超えるペア距離の一定数の解を同定する問題を考察する。
論文 参考訳（メタデータ） (2024-08-29T09:55:55Z) - Controllable Preference Optimization: Toward Controllable Multi-Objective Alignment [103.12563033438715]
人工知能におけるアライメントは、モデル応答と人間の好みと値の一貫性を追求する。
既存のアライメント技術は、主に一方向であり、様々な目的に対して、最適以下のトレードオフと柔軟性の低下につながる。
制御可能な選好最適化(CPO)を導入し、異なる目的に対する選好スコアを明確に指定する。
論文 参考訳（メタデータ） (2024-02-29T12:12:30Z) - Objectives Are All You Need: Solving Deceptive Problems Without Explicit
Diversity Maintenance [7.3153233408665495]
我々は,明らかに多様性の維持を行なわずに,偽りのドメインを解決することを約束するアプローチを提案する。
人口多様性を暗黙的に維持することが示されているため,これらの目的を最適化するためにレキシケースの選択を用いる。
目的を多くの目的に分解し、それらを最適化することで、探究する偽りの領域においてMAP-Elitesより優れていることが分かりました。
論文 参考訳（メタデータ） (2023-11-04T00:09:48Z) - 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) - Optimizer Amalgamation [124.33523126363728]
私たちは、Amalgamationという新しい問題の研究を動機付けています。"Teacher"アマルガメーションのプールを、より強力な問題固有のパフォーマンスを持つ単一の"学生"にどのように組み合わせるべきなのでしょうか?
まず、勾配降下による解析のプールをアマルガメートする3つの異なるメカニズムを定義する。
また, プロセスの分散を低減するため, 目標を摂動させることでプロセスの安定化を図る。
論文 参考訳（メタデータ） (2022-03-12T16:07:57Z) - How to Fill the Optimum Set? Population Gradient Descent with Harmless
Diversity [34.790747999729284]
主損失関数の最適セット内における多様性スコアを最大化する二段階最適化問題を提案する。
提案手法は,テキスト・ツー・イメージ生成,テキスト・ツー・メッシュ生成,分子コンフォーメーション生成,アンサンブルニューラルネットワークトレーニングなど,さまざまなアプリケーション上で,多様なソリューションを効率的に生成できることを示す。
論文 参考訳（メタデータ） (2022-02-16T23:40:18Z) - 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) - Result Diversification by Multi-objective Evolutionary Algorithms with
Theoretical Guarantees [94.72461292387146]
両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。
GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳（メタデータ） (2021-10-18T14:00:22Z) - An Analysis of Phenotypic Diversity in Multi-Solution Optimization [118.97353274202749]
マルチモーダル最適化は高い適合性ソリューションを生み出し、品質の多様性は遺伝的中立性に敏感ではない。
オートエンコーダは表現型特徴を自動的に発見するために使用され、品質の多様性を備えたさらに多様なソリューションセットを生成する。
論文 参考訳（メタデータ） (2021-05-10T10:39:03Z) - A Framework to Handle Multi-modal Multi-objective Optimization in
Decomposition-based Evolutionary Algorithms [7.81768535871051]
分解に基づく進化的アルゴリズムは多目的最適化に優れた性能を持つ。
解空間の多様性を維持するメカニズムが欠如しているため、マルチモーダルな多目的最適化にはあまり役に立たない可能性が高い。
本稿では,マルチモーダル多目的最適化のための分解に基づく進化的アルゴリズムの性能向上のためのフレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-30T14:32:57Z) - 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)
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。