Fugu-MT 論文翻訳(概要): Towards Exploratory Quality Diversity Landscape Analysis

論文の概要: Towards Exploratory Quality Diversity Landscape Analysis

arxiv url: http://arxiv.org/abs/2405.13433v1
Date: Wed, 22 May 2024 08:19:55 GMT
ステータス: 処理完了
システム内更新日: 2024-05-25 00:55:07.036017
Title: Towards Exploratory Quality Diversity Landscape Analysis
Title（参考訳）: 探究的品質多様性景観分析に向けて
Authors: Kyriacos Mosphilis, Vassilis Vassiliades,
Abstract要約: 本研究は,品質多様性 (QD) 問題に対する探索的景観解析 (ELA) の利用に関する予備的研究である。我々は,QDアルゴリズム選択の自動化にむけて,QD問題の特徴付けにERAの機能を利用することができるかどうかを考察する。
参考スコア（独自算出の注目度）: 1.6574413179773761
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This work is a preliminary study on using Exploratory Landscape Analysis (ELA) for Quality Diversity (QD) problems. We seek to understand whether ELA features can potentially be used to characterise QD problems paving the way for automating QD algorithm selection. Our results demonstrate that ELA features are affected by QD optimisation differently than random sampling, and more specifically, by the choice of variation operator, behaviour function, archive size and problem dimensionality.
Abstract（参考訳）: 本研究は,品質多様性 (QD) 問題に対する探索的景観解析 (ELA) の利用に関する予備的研究である。我々は,QDアルゴリズム選択の自動化にむけて,QD問題の特徴付けにERAの機能を利用することができるかどうかを考察する。 ELAの特徴は, ランダムサンプリングと異なり, より具体的には, 変動演算子, 振舞い関数, アーカイブサイズ, 問題次元の選び方によって, QD の最適化が異なることが示唆された。

関連論文リスト

Testing for Fault Diversity in Reinforcement Learning [13.133263651395865]
ポリシテストは可能な限り多くの障害(例えば、同様の自動車事故を引き起こすインプット)を見つけるのではなく、モデルで可能な限り情報的かつ多様な障害を明らかにすることを目的としている、と私たちは主張する。 QDの最適化は概念的には単純であり、一般的に適用可能であるが、決定モデルにおいてより多様な欠点を効果的に発見できることが示される。
論文参考訳（メタデータ） (2024-03-22T09:46:30Z)
Adaptive Feature Selection for No-Reference Image Quality Assessment by Mitigating Semantic Noise Sensitivity [55.399230250413986]
上流タスクから有害なセマンティックノイズを除去するためのQFM-IQM(Quality-Aware Feature Matching IQA Metric)を提案する。提案手法は,8つの標準IQAデータセット上での最先端NR-IQA法よりも優れた性能を実現する。
論文参考訳（メタデータ） (2023-12-11T06:50:27Z)
Uncertainty-aware Language Modeling for Selective Question Answering [107.47864420630923]
本稿では,不確実性を考慮したLLMを生成するLLM変換手法を提案する。我々のアプローチはモデルとデータに依存しず、計算効率が高く、外部モデルやシステムに依存しない。
論文参考訳（メタデータ） (2023-11-26T22:47:54Z)
Quality Diversity through Human Feedback: Towards Open-Ended Diversity-Driven Optimization [13.436983663467938]
本稿では,ヒトフィードバックによる品質の多様性(QDHF)について紹介する。実証的な研究によると、QDHFは自動多様性発見において最先端の手法を著しく上回っている。オープンな生成タスクにおいて、QDHFは拡散モデルからテキストから画像への生成の多様性を大幅に向上させる。
論文参考訳（メタデータ） (2023-10-18T16:46:16Z)
Efficient Quality-Diversity Optimization through Diverse Quality Species [3.428706362109921]
我々は,アーカイブの必要をなくしたり,事前の動作範囲を定義したりすることなく,多様な解の集団を見つけることができることを示す。本稿では,アーカイブベースの品質多様性(QD)アルゴリズムの代替として,DQS(Diverse Quality Species)を提案する。
論文参考訳（メタデータ） (2023-04-14T23:15:51Z)
Blind Image Quality Assessment via Vision-Language Correspondence: A Multitask Learning Perspective [93.56647950778357]
ブラインド画像品質評価(BIQA)は、参照情報なしで画像品質の人間の知覚を予測する。我々は,他のタスクからの補助的知識を活用するために,BIQAのための汎用的かつ自動化されたマルチタスク学習手法を開発した。
論文参考訳（メタデータ） (2023-03-27T07:58:09Z)
Analysis of Quality Diversity Algorithms for the Knapsack Problem [14.12876643502492]
我々は,knapsack問題における動的プログラミング動作のシミュレーションにQDパラダイムを適用した。予測された擬似ポリノミカル時間内に最適解を計算することができることを示す。
論文参考訳（メタデータ） (2022-07-28T12:15:33Z)
Learning to Walk Autonomously via Reset-Free Quality-Diversity [73.08073762433376]
品質多様性アルゴリズムは、多様かつ高いパフォーマンスのスキルからなる大規模で複雑な行動レパートリーを発見することができる。既存のQDアルゴリズムは、手動による人間の監督と介入を必要とするエピソードリセットと同様に、多数の評価を必要とする。本稿では,オープンエンド環境におけるロボットの自律学習に向けたステップとして,リセットフリー品質多様性最適化(RF-QD)を提案する。
論文参考訳（メタデータ） (2022-04-07T14:07:51Z)
VFDS: Variational Foresight Dynamic Selection in Bayesian Neural Networks for Efficient Human Activity Recognition [81.29900407096977]
変動予測動的選択(VFDS)は、観測する次の機能サブセットを選択するポリシーを学ぶ。本稿では,その実践においてパフォーマンスコストのトレードオフが重要となるヒューマンアクティビティ認識(HAR)タスクに,VFDSを適用した。
論文参考訳（メタデータ） (2022-03-31T22:52:43Z)
Differentiable Quality Diversity [1.0965065178451106]
本稿では、目的関数と測度関数の両方が一階微分可能となる微分可能品質多様性(DQD)問題を提案する。次に、勾配情報を利用して目的関数の結合範囲を効率的に探索するDQDアルゴリズムであるグラディエントアーボラッセンス(MEGA)を用いてMAP-Elitesを提示する。 2つのQDベンチマークドメインとStyleGANの潜在空間の探索の結果、MEGAは最先端のQDアルゴリズムよりも大幅に優れていた。
論文参考訳（メタデータ） (2021-06-07T18:11:53Z)
Total Deep Variation for Linear Inverse Problems [71.90933869570914]
本稿では,近年のアーキテクチャ設計パターンを深層学習から活用する,学習可能な汎用正規化手法を提案する。本稿では,古典的画像復元と医用画像再構成問題に対する最先端の性能について述べる。
論文参考訳（メタデータ） (2020-01-14T19:01:50Z)

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。