論文の概要: Context-aware Diversity Enhancement for Neural Multi-Objective Combinatorial Optimization

• arxiv url: http://arxiv.org/abs/2405.08604v3
• Date: Sun, 26 Jan 2025 01:42:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:52:14.445706
• Title: Context-aware Diversity Enhancement for Neural Multi-Objective Combinatorial Optimization
• Title（参考訳）: ニューラルネットワークによる多目的組合せ最適化のためのコンテキスト認識の多様性向上
• Authors: Yongfan Lu, Zixiang Di, Bingdong Li, Shengcai Liu, Hong Qian, Peng Yang, Ke Tang, Aimin Zhou,
• Abstract要約: マルチオブジェクト最適化(MOCO)問題は、様々な現実世界のアプリケーションで広く用いられている。 我々はCDEというコンテキスト対応の多様性向上アルゴリズムを提案する。 提案したCDEは,文脈情報を効果的かつ効率的に把握し,多様性の向上をもたらす。
• 参考スコア（独自算出の注目度）: 19.631213689157995
• License:
• Abstract: Multi-objective combinatorial optimization (MOCO) problems are prevalent in various real-world applications. Most existing neural MOCO methods rely on problem decomposition to transform an MOCO problem into a series of singe-objective combinatorial optimization (SOCO) problems and train attention models based on a single-step and deterministic greedy rollout. However, inappropriate decomposition and undesirable short-sighted behaviors of previous methods tend to induce a decline in diversity. To address the above limitation, we design a Context-aware Diversity Enhancement algorithm named CDE, which casts the neural MOCO problems as conditional sequence modeling via autoregression (node-level context awareness) and establishes a direct relationship between the mapping of preferences and diversity indicator of reward based on hypervolume expectation maximization (solution-level context awareness). Based on the solution-level context awareness, we further propose a hypervolume residual update strategy to enable the Pareto attention model to capture both local and non-local information of the Pareto set/front. The proposed CDE can effectively and efficiently grasp the context information, resulting in diversity enhancement. Experimental results on three classic MOCO problems demonstrate that our CDE outperforms several state-of-the-art baselines.
• Abstract（参考訳）: 多目的組合せ最適化(MOCO)問題は、実世界の様々な応用で広く用いられている。 既存のほとんどのニューラルMOCO法は問題分解に頼り、MOCO問題を一連のSinge-Objective combinatorial Optimization (SOCO)問題に変換し、単段階および決定論的グリーディロールアウトに基づいて注意モデルを訓練する。 しかし、従来の手法の不適切な分解と望ましくない近視行動は多様性の低下を引き起こす傾向にある。 この制限に対処するため、我々はCDEというコンテキスト認識の多様性向上アルゴリズムを設計し、自己回帰(ノードレベルのコンテキスト認識)による条件付きシーケンスモデリングとしてニューラルネットワークMOCO問題をキャストし、超体積予測最大化(ソリューションレベルのコンテキスト認識)に基づいて、好みのマッピングと報酬の多様性指標との直接的な関係を確立する。 ソリューションレベルのコンテキスト認識に基づいて,ParetoアテンションモデルがParetoセット/フロントのローカル情報と非ローカル情報の両方をキャプチャ可能にするために,高ボリューム残差更新戦略を提案する。 提案したCDEは,文脈情報を効果的かつ効率的に把握し,多様性の向上をもたらす。 3つの古典的MOCO問題に対する実験結果から、我々のCDEは最先端のベースラインよりも優れていることが示された。

関連論文リスト

• Towards Efficient Pareto Set Approximation via Mixture of Experts Based Model Fusion [53.33473557562837]
  大規模深層ニューラルネットワークに対する多目的最適化問題を解くことは、損失ランドスケープの複雑さと高価な計算コストのために難しい課題である。 本稿では,専門家(MoE)をベースとしたモデル融合を用いて,この問題を実用的でスケーラブルに解決する手法を提案する。 特殊な単一タスクモデルの重みをまとめることで、MoEモジュールは複数の目的間のトレードオフを効果的に捉えることができる。
  論文  参考訳（メタデータ） (2024-06-14T07:16:18Z)
• Expensive Multi-Objective Bayesian Optimization Based on Diffusion Models [17.19004913553654]
  多目的ベイズ最適化(MOBO)は、様々な高価な多目的最適化問題(EMOP)において有望な性能を示した。 高価なMOBOのための合成拡散モデルに基づくパレートセット学習アルゴリズム,すなわちCDM-PSLを提案する。 提案アルゴリズムは,様々な最先端MOBOアルゴリズムと比較して優れた性能が得られる。
  論文  参考訳（メタデータ） (2024-05-14T14:55:57Z)
• 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)
• Neural Multi-Objective Combinatorial Optimization with Diversity Enhancement [33.28756549307025]
  本稿では,多目的最適化(MOCO)問題に対するダイバーシティ強化(NHDE)を新たに提案する。 NHDEは、多様性の高いParetoフロントを生成することができ、それによって全体的なパフォーマンスを向上できることを示す。 我々のNHDEは汎用的であり、MOCOの異なるニューラルメソッドに適用できる。
  論文  参考訳（メタデータ） (2023-10-22T08:50:57Z)
• 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)
• Pareto Set Learning for Neural Multi-objective Combinatorial Optimization [6.091096843566857]
  多目的最適化(MOCO)の問題は、現実世界の多くのアプリケーションで見られる。 我々は,与えられたMOCO問題に対するパレート集合全体を,探索手順を伴わずに近似する学習ベースアプローチを開発した。 提案手法は,多目的走行セールスマン問題,マルチコンディショニング車両ルーティング問題,複数クナップサック問題において,ソリューションの品質,速度,モデル効率の面で,他の方法よりも優れていた。
  論文  参考訳（メタデータ） (2022-03-29T09:26:22Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
  マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。 これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
  論文  参考訳（メタデータ） (2021-03-01T22:55:48Z)
• Application of Compromising Evolution in Multi-objective Image Error Concealment [0.0]
  The Compromising Evolution Method is proposed to modified the Simple Genetic Algorithm by using the concept of compromise。 シミュレーション結果は,画像誤り隠蔽のケーススタディにおいて,多目的最適化を解く手法のパワーを示す。
  論文  参考訳（メタデータ） (2020-11-11T15:22:23Z)
• Uncrowded Hypervolume-based Multi-objective Optimization with Gene-pool Optimal Mixing [0.0]
  HypervolumeベースのMO最適化は、これを克服する有望な結果を示している。 Sofomoreフレームワークは、複数のインターリーブされた単一目的の動的問題を解くことでこれを克服する。 我々は,MO-GOMEAとUHV-GOMEAを併用したハイブリッドアプローチを構築し,両者を比較検討した。
  論文  参考訳（メタデータ） (2020-04-10T15:14:54Z)
• GACEM: Generalized Autoregressive Cross Entropy Method for Multi-Modal Black Box Constraint Satisfaction [69.94831587339539]
  本稿では,マスク付き自己回帰ニューラルネットワークを用いて解空間上の均一分布をモデル化するクロスエントロピー法(CEM)を提案する。 我々のアルゴリズムは複雑な解空間を表現でき、様々な異なる解領域を追跡できる。
  論文  参考訳（メタデータ） (2020-02-17T20:21:20Z)

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。