論文の概要: UMOEA/D: A Multiobjective Evolutionary Algorithm for Uniform Pareto
Objectives based on Decomposition
- arxiv url: http://arxiv.org/abs/2402.09486v1
- Date: Wed, 14 Feb 2024 08:09:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-16 18:43:45.099616
- Title: UMOEA/D: A Multiobjective Evolutionary Algorithm for Uniform Pareto
Objectives based on Decomposition
- Title(参考訳): UMOEA/D:分解に基づく一様パレート対象の多目的進化アルゴリズム
- Authors: Xiaoyuan Zhang and Xi Lin and Yichi Zhang and Yifan Chen and Qingfu
Zhang
- Abstract要約: 多目的最適化(MOO)は、多くのアプリケーションで広く使われている。
従来の手法では、PF全体を表すためにパレートの目的(PF上の粒子)の集合を利用するのが一般的であった。
本稿は,従来のMOO手法で見られる限られた多様性を緩和するため,PF上でのインフォニフォーム分散目的を構築することを提案する。
- 参考スコア(独自算出の注目度): 19.13435817442015
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multiobjective optimization (MOO) is prevalent in numerous applications, in
which a Pareto front (PF) is constructed to display optima under various
preferences. Previous methods commonly utilize the set of Pareto objectives
(particles on the PF) to represent the entire PF. However, the empirical
distribution of the Pareto objectives on the PF is rarely studied, which
implicitly impedes the generation of diverse and representative Pareto
objectives in previous methods. To bridge the gap, we suggest in this paper
constructing \emph{uniformly distributed} Pareto objectives on the PF, so as to
alleviate the limited diversity found in previous MOO approaches. We are the
first to formally define the concept of ``uniformity" for an MOO problem. We
optimize the maximal minimal distances on the Pareto front using a neural
network, resulting in both asymptotically and non-asymptotically uniform Pareto
objectives. Our proposed method is validated through experiments on real-world
and synthetic problems, which demonstrates the efficacy in generating
high-quality uniform Pareto objectives and the encouraging performance
exceeding existing state-of-the-art methods.
The detailed model implementation and the code are scheduled to be
open-sourced upon publication.
- Abstract(参考訳): 多目的最適化(MOO)は、パレートフロント(PF)が様々な好みで最適を表示するように構成される多くのアプリケーションで一般的である。
従来の手法ではパレート目的(pf上の粒子)の集合をpf全体を表すのによく使う。
しかしながら、PFにおけるパレート目標の実証的な分布は研究されることはめったになく、従来の手法では多様で代表的なパレート目標の生成を暗黙的に妨げている。
このギャップを埋めるために、本稿では、従来のMOOアプローチで見られる限られた多様性を緩和するために、PF上のPareto目標を構成することを提案する。
私たちはMOO問題に対する ``uniformity' の概念を正式に定義した最初の人です。
ニューラルネットワークを用いてパレート前面の極小距離を最適化し, 漸近的および非漸近的に均一なパレート目標を導出する。
提案手法は実世界および合成問題の実験を通じて検証され, 高品質なパレート目標の生成の有効性と, 既存の最先端手法よりも優れた性能を示す。
詳細なモデル実装とコードは、公開時にオープンソース化される予定である。
関連論文リスト
- How to Find the Exact Pareto Front for Multi-Objective MDPs? [28.70863169250383]
多目的マルコフ決定プロセス (MDPs) は、現実の意思決定問題は、単一目的のMDPでは対応できない相反する目的を伴うことが多いため、注目を集めている。
Paretoのフロントは、支配できないポリシーの集合を特定し、様々な好みに効率的に適応できる最適なソリューションを見つけるための基盤を提供する。
論文 参考訳(メタデータ) (2024-10-21T01:03:54Z) - Pareto Low-Rank Adapters: Efficient Multi-Task Learning with Preferences [49.14535254003683]
PaLoRAは、タスク固有の低ランクアダプタでオリジナルのモデルを拡張する、新しいパラメータ効率の手法である。
実験の結果,PaLoRAは様々なデータセットでMTLとPFLのベースラインを上回っていることがわかった。
論文 参考訳(メタデータ) (2024-07-10T21:25:51Z) - A Newton Method for Hausdorff Approximations of the Pareto Front within Multi-objective Evolutionary Algorithms [3.2888428450190044]
本論文では,多目的進化アルゴリズムで用いられるパレートフロントのハウスドルフ近似に対するセットベースニュートン法を提案する。
いくつかのベンチマークテスト関数と異なる基底進化アルゴリズムにおける後処理ステップとしてNewton法の利点を示す。
論文 参考訳(メタデータ) (2024-05-09T12:34:34Z) - 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) - Divide and Conquer: Provably Unveiling the Pareto Front with
Multi-Objective Reinforcement Learning [2.5115843173830252]
本稿では,Paretoフロントを単一目的問題列に分解するアルゴリズムIPROを紹介する。
実証的な評価は、IPROが追加のドメイン知識を必要とするメソッドにマッチするか、より優れていることを示している。
問題固有の単目的解法を利用することで、本手法は多目的強化学習を超える応用を約束する。
論文 参考訳(メタデータ) (2024-02-11T12:35:13Z) - Variance-Preserving-Based Interpolation Diffusion Models for Speech
Enhancement [53.2171981279647]
本稿では,VP-および分散拡散(VE)に基づく拡散法の両方をカプセル化するフレームワークを提案する。
本研究では,拡散モデルで発生する一般的な困難を解析し,性能の向上とモデルトレーニングの容易化を図る。
我々は,提案手法の有効性を示すために,公開ベンチマークを用いたいくつかの手法によるモデルの評価を行った。
論文 参考訳(メタデータ) (2023-06-14T14:22:22Z) - 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 Manifold Learning: Tackling multiple tasks via ensembles of
single-task models [50.33956216274694]
マルチタスク学習(MTL)では、タスクは、ソリューションへの最適化を導くのではなく、互いに達成したパフォーマンスを競い、制限することができる。
重み空間におけるアンサンブル手法であるTextitPareto Manifold Learningを提案する。
論文 参考訳(メタデータ) (2022-10-18T11:20:54Z) - Multi-Objective Policy Gradients with Topological Constraints [108.10241442630289]
本稿では, PPOアルゴリズムの簡単な拡張により, TMDPにおけるポリシー勾配に対する新しいアルゴリズムを提案する。
シミュレーションと実ロボットの両方の目的を任意に並べた実世界の多目的ナビゲーション問題に対して,これを実証する。
論文 参考訳(メタデータ) (2022-09-15T07:22:58Z) - 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) - Self-Evolutionary Optimization for Pareto Front Learning [34.17125297176668]
マルチタスク問題に対する多目的最適化(MOO)手法が提案されている。
最近のMOO法は、単一の統一モデルで複数の最適解(パレートフロント)を近似する。
PFLは複数の目的を持つ別のMOO問題に再変換可能であることを示し、それぞれがタスクの好みの重みに対応していることを示す。
論文 参考訳(メタデータ) (2021-10-07T13:38:57Z)
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。