論文の概要: Dominated Novelty Search: Rethinking Local Competition in Quality-Diversity

• arxiv url: http://arxiv.org/abs/2502.00593v1
• Date: Sat, 01 Feb 2025 23:15:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:05:06.815701
• Title: Dominated Novelty Search: Rethinking Local Competition in Quality-Diversity
• Title（参考訳）: ノベルティ検索の優位性 : 品質多様性における地域競争の再考
• Authors: Ryan Bahlous-Boldi, Maxence Faldor, Luca Grillotti, Hannah Janmohamed, Lisa Coiffard, Lee Spector, Antoine Cully,
• Abstract要約: 本研究では,動的フィットネス変換による局所的な競争を実現する品質多様性アルゴリズムであるDominated Novelty Searchを紹介する。 実験の結果, ドミネートノベルティサーチは, 標準品質・ダイバーシティ・ベンチマークにおいて, 既存の手法を著しく上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 6.576386892835931
• License:
• Abstract: Quality-Diversity is a family of evolutionary algorithms that generate diverse, high-performing solutions through local competition principles inspired by natural evolution. While research has focused on improving specific aspects of Quality-Diversity algorithms, surprisingly little attention has been paid to investigating alternative formulations of local competition itself -- the core mechanism distinguishing Quality-Diversity from traditional evolutionary algorithms. Most approaches implement local competition through explicit collection mechanisms like fixed grids or unstructured archives, imposing artificial constraints that require predefined bounds or hard-to-tune parameters. We show that Quality-Diversity methods can be reformulated as Genetic Algorithms where local competition occurs through fitness transformations rather than explicit collection mechanisms. Building on this insight, we introduce Dominated Novelty Search, a Quality-Diversity algorithm that implements local competition through dynamic fitness transformations, eliminating the need for predefined bounds or parameters. Our experiments show that Dominated Novelty Search significantly outperforms existing approaches across standard Quality-Diversity benchmarks, while maintaining its advantage in challenging scenarios like high-dimensional and unsupervised spaces.
• Abstract（参考訳）: 品質多様性(Quality-Diversity)は、自然進化にインスパイアされた局所的な競争原理を通じて、多様な高性能なソリューションを生成する進化アルゴリズムのファミリーである。 研究は品質多様性アルゴリズムの特定の側面を改善することに重点を置いているが、従来の進化的アルゴリズムと品質多様性を区別する中核的なメカニズムであるローカル競争自体の代替的な定式化について、驚くほど注意が払われていない。 ほとんどのアプローチでは、固定グリッドや非構造化アーカイブのような明示的なコレクションメカニズムを通じてローカルな競合を実装しており、事前に定義されたバウンダリやハード・トゥ・チューンパラメータを必要とする人工的な制約を課している。 本研究では, 局所的な競合が, 明示的な収集機構ではなく, 適応的変換によって生じるような遺伝的アルゴリズムとして, 品質多様性の手法を再構築可能であることを示す。 この知見に基づいて、動的フィットネス変換による局所的な競合を実装し、予め定義された境界やパラメータの必要をなくす品質多様性探索アルゴリズムであるDominated Novelty Searchを導入する。 実験の結果,ドミネートノベルティサーチは,高次元空間や教師なし空間といった難易度シナリオにおける優位性を保ちながら,標準品質・多様性ベンチマークにおける既存手法を著しく上回っていることがわかった。

関連論文リスト

• Randomized Adversarial Style Perturbations for Domain Generalization [49.888364462991234]
  本稿では,RASP(Randomized Adversarial Style Perturbation)と呼ばれる新しい領域一般化手法を提案する。 提案アルゴリズムは, ランダムに選択されたクラスに対して, 対角方向の特徴のスタイルを乱し, 予期せぬ対象領域で観測される予期せぬスタイルに誤解されないよう, モデルを学習させる。 提案アルゴリズムは,様々なベンチマークによる広範な実験により評価され,特に大規模ベンチマークにおいて,領域一般化性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-04-04T17:07:06Z)
• Safe Multi-agent Learning via Trapping Regions [89.24858306636816]
  我々は、動的システムの定性理論から知られているトラップ領域の概念を適用し、分散学習のための共同戦略空間に安全セットを作成する。 本稿では,既知の学習力学を持つシステムにおいて,候補がトラップ領域を形成することを検証するための二分分割アルゴリズムと,学習力学が未知のシナリオに対するサンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-27T14:47:52Z)
• Balancing Discriminability and Transferability for Source-Free Domain Adaptation [55.143687986324935]
  従来のドメイン適応(DA)技術は、ドメイン不変表現を学習することでドメイン転送性を改善することを目的としている。 ラベル付けされたソースとラベル付けされていないターゲットへの同時アクセス要件は、ソースフリーなDA設定に適さない。 そこで本研究では,原文と翻訳サンプルの混在が識別可能性と伝達可能性のトレードオフを促進することを示す新しい知見を導出する。
  論文  参考訳（メタデータ） (2022-06-16T09:06:22Z)
• Optimal Algorithms for Decentralized Stochastic Variational Inequalities [113.43047601775453]
  この作業は、ますます重要になるが十分に理解されていない分散的な設定に集中する。 通信と局所的な繰り返しの両方の下位境界を示し、これらの下位境界に一致する最適なアルゴリズムを構築する。 我々のアルゴリズムは、分散化されたケースだけでなく、決定論的で非分散的な文献でも利用できる。
  論文  参考訳（メタデータ） (2022-02-06T13:14:02Z)
• Substitution of the Fittest: A Novel Approach for Mitigating Disengagement in Coevolutionary Genetic Algorithms [3.8073142980733]
  2つの集団の競合する進化的遺伝的アルゴリズムにおいて、解離の問題に対処するために設計されたフィットテスト(SF)の置換。 最小限のドメインでは、エンゲージメントの維持能力と最適解を見つける能力の制御された評価を行う。
  論文  参考訳（メタデータ） (2021-08-06T15:10:36Z)
• Towards robust and domain agnostic reinforcement learning competitions [12.731614722371376]
  強化学習コンペティションは標準研究ベンチマークの基礎を形成している。 それにもかかわらず、ほとんどの課題は、同じ根本的な問題に悩まされている。 本稿では,これらの障壁を克服するアルゴリズムの開発を促進する,競争設計の新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-06-07T16:15:46Z)
• cMLSGA: A Co-Evolutionary Multi-Level Selection Genetic Algorithm for Multi-Objective Optimization [0.0]
  MLSGA(Multi-Level Selection Genetic Algorithm)は、すでに様々な問題に対して優れた性能を示している。 本稿では,共進化を個人ではなく集団間の競争として定義する,個別の共進化機構を提案する。
  論文  参考訳（メタデータ） (2021-04-22T13:52:21Z)
• Quality-Diversity Optimization: a novel branch of stochastic optimization [5.677685109155078]
  マルチモーダル最適化アルゴリズムは、複数のことができる検索空間で最も高いピークを検索します。 品質多様性アルゴリズムは、進化的計算ツールボックスに最近追加されたもので、単一の局所光学系を探索するだけでなく、検索空間を照らそうとする。
  論文  参考訳（メタデータ） (2020-12-08T09:52:50Z)
• Towards Fair Knowledge Transfer for Imbalanced Domain Adaptation [61.317911756566126]
  本研究では,不均衡なドメイン間学習における公平性問題に対処するTowards Fair Knowledge Transferフレームワークを提案する。 具体的には、新規なクロスドメインミックスアップ生成を利用して、ターゲット情報でマイノリティソースセットを増強し、公正性を高める。 本モデルでは,2つのベンチマークで全体の精度を20%以上向上させる。
  論文  参考訳（メタデータ） (2020-10-23T06:29:09Z)
• Contradictory Structure Learning for Semi-supervised Domain Adaptation [67.89665267469053]
  現在の逆順応法は、クロスドメインの特徴を整列させようとする。 1)条件分布ミスマッチ、2)決定境界のソース領域へのバイアス。 本稿では,対向構造の学習を統一することで,半教師付きドメイン適応のための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） (2020-02-06T22:58:20Z)

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。