論文の概要: Multi-Objective Optimization via Wasserstein-Fisher-Rao Gradient Flow
- arxiv url: http://arxiv.org/abs/2311.13159v2
- Date: Thu, 21 Nov 2024 04:02:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-22 15:16:41.258718
- Title: Multi-Objective Optimization via Wasserstein-Fisher-Rao Gradient Flow
- Title(参考訳): Wasserstein-Fisher-Rao勾配流による多目的最適化
- Authors: Yinuo Ren, Tesi Xiao, Tanmay Gangwani, Anshuka Rangi, Holakou Rahmanian, Lexing Ying, Subhajit Sanyal,
- Abstract要約: 多目的最適化(MOO)は、広範囲のアプリケーションと競合する複数の目的を最適化することを目的としている。
分子動力学シミュレーションにインスパイアされたMOOのための新しい相互作用粒子法を提案する。
- 参考スコア(独自算出の注目度): 18.32300121391956
- License:
- Abstract: Multi-objective optimization (MOO) aims to optimize multiple, possibly conflicting objectives with widespread applications. We introduce a novel interacting particle method for MOO inspired by molecular dynamics simulations. Our approach combines overdamped Langevin and birth-death dynamics, incorporating a "dominance potential" to steer particles toward global Pareto optimality. In contrast to previous methods, our method is able to relocate dominated particles, making it particularly adept at managing Pareto fronts of complicated geometries. Our method is also theoretically grounded as a Wasserstein-Fisher-Rao gradient flow with convergence guarantees. Extensive experiments confirm that our approach outperforms state-of-the-art methods on challenging synthetic and real-world datasets.
- Abstract(参考訳): 多目的最適化(MOO)は、広範囲のアプリケーションと競合する複数の目的を最適化することを目的としている。
分子動力学シミュレーションにインスパイアされたMOOのための新しい相互作用粒子法を提案する。
我々のアプローチは、過度に破壊されたランゲヴィンと生死のダイナミクスを組み合わせて、大域パレートの最適性に向けて粒子を操る「支配ポテンシャル」を取り入れている。
従来の手法とは対照的に,本手法では支配的な粒子の移動が可能であり,複雑なジオメトリのパレートフロントの管理に特に適している。
この手法はまた、収束保証を伴うワッサーシュタイン-フィッシャー-ラオ勾配流として理論的に基礎付けられている。
大規模な実験により、我々の手法は、合成および実世界のデータセットに挑戦する最先端の手法より優れていることが確認された。
関連論文リスト
- Interaction-Force Transport Gradient Flows [45.05400562268213]
本稿では,非負測度および確率測度に対する新しい勾配流散逸幾何学を提案する。
We propose the interaction-force transport (IFT) gradient flow, we proposed the interaction-force transport (IFT) gradient flow。
論文 参考訳(メタデータ) (2024-05-27T11:46:14Z) - Neural Field Dynamics Model for Granular Object Piles Manipulation [12.452569633458037]
粒状材料操作のための学習に基づく動的モデルを提案する。
流体力学で一般的に使用されるユーレリア的アプローチに着想を得て,本手法は完全な畳み込みニューラルネットワークを採用する。
論文 参考訳(メタデータ) (2023-11-01T19:36:56Z) - Reparameterized Policy Learning for Multimodal Trajectory Optimization [61.13228961771765]
本研究では,高次元連続行動空間における強化学習のためのパラメータ化政策の課題について検討する。
本稿では,連続RLポリシーを最適軌道の生成モデルとしてモデル化する原理的フレームワークを提案する。
本稿では,マルチモーダルポリシーパラメータ化と学習世界モデルを活用した実用的モデルベースRL手法を提案する。
論文 参考訳(メタデータ) (2023-07-20T09:05:46Z) - Sampling with Mollified Interaction Energy Descent [57.00583139477843]
モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。
MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する
我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
論文 参考訳(メタデータ) (2022-10-24T16:54:18Z) - Guaranteed Conservation of Momentum for Learning Particle-based Fluid
Dynamics [96.9177297872723]
本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。
我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。
提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
論文 参考訳(メタデータ) (2022-10-12T09:12:59Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳(メタデータ) (2022-06-29T22:19:03Z) - Contrastive Learning of Coarse-Grained Force Fields [2.610895122644814]
本稿では,力場を効率的に学習する新しい手法を提案する。
電位差は、分子系の複雑なエネルギー環境をよりよく学習するために、傘サンプリングによるノイズコントラスト推定法を一般化する。
論文 参考訳(メタデータ) (2022-05-22T16:25:16Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳(メタデータ) (2019-10-31T02:26:20Z)
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。