論文の概要: Many-objective Optimization via Voting for Elites
- arxiv url: http://arxiv.org/abs/2307.02661v1
- Date: Wed, 5 Jul 2023 21:30:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-07 15:53:34.856439
- Title: Many-objective Optimization via Voting for Elites
- Title（参考訳）: エリート投票による多目的最適化
- Authors: Jackson Dean and Nick Cheney
- Abstract要約: 我々はMOVEが50人のエリートエリートに対して有効であることを示している。
このタイプの識別は,足場石の自動識別やカリキュラム学習における暗黙の手法であることが示唆された。
我々はMOVEとMAP-Elitesアルゴリズムの類似点と相違点についてコメントする。
- 参考スコア（独自算出の注目度）: 0.5076419064097734
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Real-world problems are often comprised of many objectives and require
solutions that carefully trade-off between them. Current approaches to
many-objective optimization often require challenging assumptions, like
knowledge of the importance/difficulty of objectives in a weighted-sum
single-objective paradigm, or enormous populations to overcome the curse of
dimensionality in multi-objective Pareto optimization. Combining elements from
Many-Objective Evolutionary Algorithms and Quality Diversity algorithms like
MAP-Elites, we propose Many-objective Optimization via Voting for Elites
(MOVE). MOVE maintains a map of elites that perform well on different subsets
of the objective functions. On a 14-objective image-neuroevolution problem, we
demonstrate that MOVE is viable with a population of as few as 50 elites and
outperforms a naive single-objective baseline. We find that the algorithm's
performance relies on solutions jumping across bins (for a parent to produce a
child that is elite for a different subset of objectives). We suggest that this
type of goal-switching is an implicit method to automatic identification of
stepping stones or curriculum learning. We comment on the similarities and
differences between MOVE and MAP-Elites, hoping to provide insight to aid in
the understanding of that approach $\unicode{x2013}$ and suggest future work
that may inform this approach's use for many-objective problems in general.
- Abstract（参考訳）: 現実世界の問題は、しばしば多くの目的で構成され、それらを慎重にトレードオフする解決策を必要とする。
現在の多目的最適化へのアプローチは、重み付けされた一目的パラダイムにおける目的の重要性や拡散の知識、多目的パレート最適化における次元性の呪いを克服する巨大な集団など、困難な仮定を必要とすることが多い。
MAP-Elitesのような多目的進化アルゴリズムと品質多様性アルゴリズムの要素を組み合わせることで,多目的最適化を提案する。
moveは、目的関数のさまざまなサブセットでうまく機能するエリートマップを維持している。
14-目的画像ニューロエボリューション問題では、MOVEは50人のエリートで有効であり、単純単目的ベースラインよりも優れていることを示す。
アルゴリズムのパフォーマンスは、(親が目的の異なるサブセットにエリートな子を産むために)ビンを飛び越えるソリューションに依存していることが分かりました。
このタイプのゴールスイッチングは,ステップストーンの自動識別やカリキュラム学習のための暗黙の手法であることが示唆された。
我々はMOVEとMAP-Elitesの類似点と相違点についてコメントし、アプローチの理解を支援するための洞察を提供し、このアプローチが多くの客観的問題に一般的に使われることを知らせる将来の研究を提案する。
関連論文リスト
- 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) - Many-Objective Multi-Solution Transport [36.07360460509921]
many-objective multi-solution Transport (MosT) は、Paretoの多くの目的に対して複数の多様なソリューションを見つけるためのフレームワークである。
MosTはこの問題を各解に対する重み付けされた目的の2段階の最適化として定式化し、そこでは重み付けは目的と解の間の最適な輸送によって定義される。
論文 参考訳（メタデータ） (2024-03-06T23:03:12Z) - 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-Target Multiplicity: Flexibility and Fairness in Target
Specification under Resource Constraints [76.84999501420938]
対象の選択が個人の結果にどのように影響するかを評価するための概念的および計算的枠組みを導入する。
目的変数選択から生じる多重度は, 1つのターゲットのほぼ最適モデルから生じるものよりも大きいことが示される。
論文 参考訳（メタデータ） (2023-06-23T18:57:14Z) - 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) - Alleviating Search Bias in Bayesian Evolutionary Optimization with Many
Heterogeneous Objectives [9.139734850798124]
異種目的(HE-MOP)を用いた多目的最適化問題に対処する。
高速な目的に対して探索バイアスを緩和する新たな獲得関数を提案する。
提案アルゴリズムの有効性を,多目的・多目的のベンチマーク問題で検証することによって実証する。
論文 参考訳（メタデータ） (2022-08-25T17:07:40Z) - Generative multitask learning mitigates target-causing confounding [61.21582323566118]
マルチタスク学習のための因果表現学習のためのシンプルでスケーラブルなアプローチを提案する。
改善は、目標を狙うが入力はしない、観測されていない共同ファウンダーを緩和することによる。
人の属性とタスクノミーのデータセットに対する我々の結果は、事前の確率シフトに対するロバストネスの概念的改善を反映している。
論文 参考訳（メタデータ） (2022-02-08T20:42:14Z) - 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) - 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) - Automatic Curriculum Learning through Value Disagreement [95.19299356298876]
新しい未解決タスクを継続的に解決することが、多様な行動を学ぶための鍵です。
エージェントが複数の目標を達成する必要があるマルチタスク領域では、トレーニング目標の選択はサンプル効率に大きな影響を与える可能性がある。
そこで我々は,エージェントが解決すべき目標のための自動カリキュラムを作成することを提案する。
提案手法は,13のマルチゴールロボットタスクと5つのナビゲーションタスクにまたがって評価し,現在の最先端手法よりも高い性能を示す。
論文 参考訳（メタデータ） (2020-06-17T03:58:25Z) - A Distributional View on Multi-Objective Policy Optimization [24.690800846837273]
大規模不変な方法で目的の好みを設定することができる多目的強化学習アルゴリズムを提案する。
フレームワーク内で異なる好みを設定することで、非支配的なソリューションの空間を追跡できることを示す。
論文 参考訳（メタデータ） (2020-05-15T13:02:17Z)
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。