論文の概要: GenCO: Generating Diverse Solutions to Design Problems with
Combinatorial Nature
- arxiv url: http://arxiv.org/abs/2310.02442v1
- Date: Tue, 3 Oct 2023 21:23:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 17:32:50.028411
- Title: GenCO: Generating Diverse Solutions to Design Problems with
Combinatorial Nature
- Title(参考訳): GenCO: コンビナティブな性質を持つ設計問題に対するさまざまなソリューションの生成
- Authors: Aaron Ferber, Arman Zharmagambetov, Taoan Huang, Bistra Dilkina,
Yuandong Tian
- Abstract要約: 組込み解法と統合された深層生成モデルのエンドツーエンドトレーニングを行う新しいフレームワークを提案する。
構造的には従来の生成モデルに似ているが、GenCOは最終オブジェクトではなく最適化問題のインスタンスを生成することに重点を置いている。
- 参考スコア(独自算出の注目度): 43.79851879855014
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generating diverse objects (e.g., images) using generative models (such as
GAN or VAE) has achieved impressive results in the recent years, to help solve
many design problems that are traditionally done by humans. Going beyond image
generation, we aim to find solutions to more general design problems, in which
both the diversity of the design and conformity of constraints are important.
Such a setting has applications in computer graphics, animation, industrial
design, material science, etc, in which we may want the output of the generator
to follow discrete/combinatorial constraints and penalize any deviation, which
is non-trivial with existing generative models and optimization solvers. To
address this, we propose GenCO, a novel framework that conducts end-to-end
training of deep generative models integrated with embedded combinatorial
solvers, aiming to uncover high-quality solutions aligned with nonlinear
objectives. While structurally akin to conventional generative models, GenCO
diverges in its role - it focuses on generating instances of combinatorial
optimization problems rather than final objects (e.g., images). This shift
allows finer control over the generated outputs, enabling assessments of their
feasibility and introducing an additional combinatorial loss component. We
demonstrate the effectiveness of our approach on a variety of generative tasks
characterized by combinatorial intricacies, including game level generation and
map creation for path planning, consistently demonstrating its capability to
yield diverse, high-quality solutions that reliably adhere to user-specified
combinatorial properties.
- Abstract(参考訳): 生成モデル(GANやVAEなど)を用いた多様なオブジェクト(画像など)の生成は近年、人間によって伝統的に行われている多くの設計問題の解決に役立っている。
画像生成以外にも,設計の多様性と制約の適合性の両方が重要である,より一般的な設計問題の解決策を見出すことを目指している。
このような設定は、コンピュータグラフィックス、アニメーション、インダストリアルデザイン、マテリアルサイエンスなどの応用があり、ジェネレータの出力は離散的/結合的制約に従い、任意の偏差をペナライズすることを望んでおり、これは既存の生成モデルや最適化解法とは非自明である。
そこで我々は, 組込み組合せ解法と統合された深層生成モデルのエンドツーエンドトレーニングを行う新しいフレームワークであるGenCOを提案し, 非線形目的に整合した高品質な解を明らかにすることを目的とした。
構造的には従来の生成モデルに似ているが、GenCOはその役割を多様化し、最終オブジェクト(画像など)ではなく組合せ最適化問題のインスタンスを生成することに重点を置いている。
このシフトにより、生成された出力をより細かく制御でき、その実現可能性を評価し、追加の組合せ損失成分を導入することができる。
提案手法は,ゲームレベルの生成や経路計画のためのマップ作成など,組み合わせの複雑さを特徴とする多種多様な生成課題に対する効果を実証し,ユーザ指定の組合せ特性に確実に準拠する多種多様な高品質なソリューションを実現する能力を一貫して示す。
関連論文リスト
- Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳(メタデータ) (2024-01-24T01:33:39Z) - Latent Diffusion Models for Structural Component Design [11.342098118480802]
本稿では,構造部品の生成設計のための枠組みを提案する。
我々は、問題固有の負荷条件のセットを満たすことができるコンポーネントの潜在的な設計を生成するために、遅延拡散モデルを用いる。
論文 参考訳(メタデータ) (2023-09-20T19:28:45Z) - Bayesian Quality-Diversity approaches for constrained optimization
problems with mixed continuous, discrete and categorical variables [0.3626013617212667]
シミュレーション予算の制限という観点から,混合変数に基づく新しい品質多様性手法を提案する。
提案手法は、複雑なシステム設計のための意思決定者にとって貴重なトレードオフを提供する。
論文 参考訳(メタデータ) (2023-09-11T14:29:47Z) - VOLTA: Diverse and Controllable Question-Answer Pair Generation with
Variational Mutual Information Maximizing Autoencoder [52.74518846093654]
本稿では,変分オートエンコーダを用いたVOLTAモデルを提案する。
さらに,生成プロセス上で入出力独立性を実現するためにInfoGANスタイルの潜時符号を追加することを提案する。
論文 参考訳(メタデータ) (2023-07-03T08:45:42Z) - Symmetric Tensor Networks for Generative Modeling and Constrained
Combinatorial Optimization [72.41480594026815]
ポートフォリオ最適化からロジスティクスに至るまで、制約付き最適化問題は業界に多い。
これらの問題の解決における主要な障害の1つは、有効な検索空間を制限する非自明なハード制約の存在である。
本研究では、Ax=bという形の任意の整数値等式制約をU(1)対称ネットワーク(TN)に直接エンコードし、それらの適用性を量子に着想を得た生成モデルとして活用する。
論文 参考訳(メタデータ) (2022-11-16T18:59:54Z) - A Pareto-optimal compositional energy-based model for sampling and
optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。
これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文 参考訳(メタデータ) (2022-10-19T19:04:45Z) - Mixed Integer Neural Inverse Design [27.43272793942742]
日常的なニューラルネットワークで非常に一般的なピースワイズ線形性は、混合整数線形プログラミングに基づく逆設計の定式化を可能にする。
我々の混合整数逆設計は、大域的最適あるいは近距離最適解を原則的に発見する。
論文 参考訳(メタデータ) (2021-09-27T09:19:41Z) - Energy-Based Models for Code Generation under Compilability Constraints [2.9176992922046923]
本研究では,コンパイル可能なコードを制約満足度として生成する学習の課題を提起する。
本稿では,コンパイル可能なシーケンスのみを生成する制約を課した,事前学習された生成モデルを表すEnergy-Based Model(EBM)を定義する。
次に,KL-Adaptive Distributional Policy Gradientアルゴリズムを用いて,EMMを近似した生成モデルを訓練する。
論文 参考訳(メタデータ) (2021-06-09T11:06:32Z) - 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)
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。