論文の概要: Diversity By Design: Leveraging Distribution Matching for Offline Model-Based Optimization

• arxiv url: http://arxiv.org/abs/2501.18768v1
• Date: Thu, 30 Jan 2025 21:43:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-03 14:03:11.016075
• Title: Diversity By Design: Leveraging Distribution Matching for Offline Model-Based Optimization
• Title（参考訳）: 設計による多様性:オフラインモデルに基づく最適化のための分散マッチングの活用
• Authors: Michael S. Yao, James C. Gee, Osbert Bastani,
• Abstract要約: 本稿では,MBO問題に対して設計の多様性を明示的な目的として導入するための新しい手法として,DynAMO(Diversity in Adrial Model-based Optimization)を提案する。 我々の重要な洞察は、オフラインデータセットに含まれる固有の多様性を、生成した設計の分布がキャプチャする分散マッチング問題として、多様性を定式化することである。
• 参考スコア（独自算出の注目度）: 29.303300250713804
• License:
• Abstract: The goal of offline model-based optimization (MBO) is to propose new designs that maximize a reward function given only an offline dataset. However, an important desiderata is to also propose a diverse set of final candidates that capture many optimal and near-optimal design configurations. We propose Diversity in Adversarial Model-based Optimization (DynAMO) as a novel method to introduce design diversity as an explicit objective into any MBO problem. Our key insight is to formulate diversity as a distribution matching problem where the distribution of generated designs captures the inherent diversity contained within the offline dataset. Extensive experiments spanning multiple scientific domains show that DynAMO can be used with common optimization methods to significantly improve the diversity of proposed designs while still discovering high-quality candidates.
• Abstract（参考訳）: オフラインモデルベース最適化(MBO)の目標は、オフラインデータセットのみに与えられる報酬関数を最大化する新しい設計を提案することである。 しかし、重要なデシダラタは、多くの最適および準最適設計構成をキャプチャする様々な最終候補を提案することである。 本稿では,MBO問題に対して設計の多様性を明示的な目的として導入するための新しい手法として,DynAMO(Diversity in Adversarial Model-based Optimization)を提案する。 我々の重要な洞察は、オフラインデータセットに含まれる固有の多様性を、生成した設計の分布がキャプチャする分散マッチング問題として、多様性を定式化することである。 複数の科学的領域にまたがる大規模な実験により、DynAMOは、高品質な候補を発見しながら提案された設計の多様性を著しく改善するために、共通の最適化手法で利用できることが示されている。

関連論文リスト

• DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
  拡散生成モデルはより広い範囲の解を考えることができ、学習パラメータによるより強力な一般化を示す。 拡散生成モデルの本質的な分布学習を利用して高品質な解を学習する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-13T07:56:21Z)
• mDPO: Conditional Preference Optimization for Multimodal Large Language Models [52.607764280030196]
  直接選好最適化(DPO)は,大規模言語モデル(LLM)のアライメントに有効な手法であることが示されている。 最近の研究は、DPOをマルチモーダルシナリオに適用しようと試みているが、一貫した改善を達成することは困難である。 画像の嗜好を最適化することで、言語のみの嗜好の過度な優先順位付けを防止するマルチモーダルDPOであるmDPOを提案する。
  論文  参考訳（メタデータ） (2024-06-17T17:59:58Z)
• Design Editing for Offline Model-based Optimization [18.701760631151316]
  オフラインモデルベース最適化(MBO)は、デザインとスコアのオフラインデータセットのみを使用してブラックボックスの目的関数を最大化することを目的としている。 一般的なアプローチは、既存の設計とその対応するスコアを使用して代理モデルをトレーニングし、その後、代理モデルに関する勾配ベースの更新を通じて新しい設計を生成することである。 この方法は、サロゲートモデルが見当たらない設計の高得点を誤って予測できるという、アウト・オブ・ディストリビューションの問題に悩まされる。 過度に最適化された設計を校正する前に拡散を利用したオフラインモデルベース最適化のための新しい設計編集手法(DEMO)を提案する。
  論文  参考訳（メタデータ） (2024-05-22T20:00:19Z)
• Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
  我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。 本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。 提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
  論文  参考訳（メタデータ） (2024-03-20T00:41:12Z)
• Preference optimization of protein language models as a multi-objective binder design paradigm [0.0]
  命令の微調整と直接選好最適化に基づく多目的バインダー設計パラダイムを提案する。 提案したアライメント戦略により,ProtGPT2は特定の受容体に条件付けられたバインダーを効果的に設計し,薬物発生性基準を策定できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T03:36:03Z)
• 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)
• Towards Optimization and Model Selection for Domain Generalization: A Mixup-guided Solution [43.292274574847234]
  そこで本研究では,ドメイン一般化のためのMixupガイドによる最適化と選択手法を提案する。 最適化のために、好みの方向を導出するアウト・オブ・ディストリビューション・データセットを利用する。 モデル選択のために、ターゲット分布に近づいた検証データセットを生成する。
  論文  参考訳（メタデータ） (2022-09-01T02:18:00Z)
• An Analysis of Phenotypic Diversity in Multi-Solution Optimization [118.97353274202749]
  マルチモーダル最適化は高い適合性ソリューションを生み出し、品質の多様性は遺伝的中立性に敏感ではない。 オートエンコーダは表現型特徴を自動的に発見するために使用され、品質の多様性を備えたさらに多様なソリューションセットを生成する。
  論文  参考訳（メタデータ） (2021-05-10T10:39:03Z)
• Niching Diversity Estimation for Multi-modal Multi-objective Optimization [9.584279193016522]
  ニッチは進化的多目的最適化において重要かつ広く用いられている手法である。 MMOPでは、対象空間の解は決定空間に複数の逆像を持つことができ、これは等価解と呼ばれる。 MMOPの処理において、標準多様性推定器をより効率的にするために、一般的なニチング機構を提案する。
  論文  参考訳（メタデータ） (2021-01-31T05:23:31Z)
• Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
  本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。 フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。 低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
  論文  参考訳（メタデータ） (2020-12-10T03:24:53Z)

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。