論文の概要: Multi-Objective Quality-Diversity in Unstructured and Unbounded Spaces

• arxiv url: http://arxiv.org/abs/2504.03715v1
• Date: Fri, 28 Mar 2025 16:55:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-13 06:23:32.537517
• Title: Multi-Objective Quality-Diversity in Unstructured and Unbounded Spaces
• Title（参考訳）: 非構造空間と非有界空間における多目的品質多様性
• Authors: Hannah Janmohamed, Antoine Cully,
• Abstract要約: 品質多様性のための多目的非構造レパートリー(MOUR-QD)を紹介する。 MOUR-QDは、非構造的かつ非有界な特徴空間のために設計されたMOQDアルゴリズムである。 提案手法は,MOQDを教師なしドメインに適用する方法を編み出し,特徴を学習しなければならないタスクにおいて優れていることを示す。
• 参考スコア（独自算出の注目度）: 5.380545611878407
• License:
• Abstract: Quality-Diversity algorithms are powerful tools for discovering diverse, high-performing solutions. Recently, Multi-Objective Quality-Diversity (MOQD) extends QD to problems with several objectives while preserving solution diversity. MOQD has shown promise in fields such as robotics and materials science, where finding trade-offs between competing objectives like energy efficiency and speed, or material properties is essential. However, existing methods in MOQD rely on tessellating the feature space into a grid structure, which prevents their application in domains where feature spaces are unknown or must be learned, such as complex biological systems or latent exploration tasks. In this work, we introduce Multi-Objective Unstructured Repertoire for Quality-Diversity (MOUR-QD), a MOQD algorithm designed for unstructured and unbounded feature spaces. We evaluate MOUR-QD on five robotic tasks. Importantly, we show that our method excels in tasks where features must be learned, paving the way for applying MOQD to unsupervised domains. We also demonstrate that MOUR-QD is advantageous in domains with unbounded feature spaces, outperforming existing grid-based methods. Finally, we demonstrate that MOUR-QD is competitive with established MOQD methods on existing MOQD tasks and achieves double the MOQD-score in some environments. MOUR-QD opens up new opportunities for MOQD in domains like protein design and image generation.
• Abstract（参考訳）: 品質多様性アルゴリズムは、多種多様な高性能なソリューションを発見するための強力なツールである。 近年,Multi-Objective Quality-Diversity (MOQD) は,ソリューションの多様性を維持しつつ,様々な目的の課題にQDを拡張している。 MOQDはロボット工学や材料科学などの分野において、エネルギー効率や速度といった競合する目的や材料特性のトレードオフを見つけることが不可欠であることを示す。 しかし、MOQDの既存の手法は、機能空間をグリッド構造に絞り込むことに依存しており、複雑な生物学的システムや潜伏探索タスクのような、特徴空間が未知の領域や学習すべき領域におけるそれらの適用を妨げている。 本研究では,非構造的かつ非有界な特徴空間を対象としたMOQDアルゴリズムであるMOUR-QDを提案する。 5つのロボット作業におけるMOUR-QDの評価を行った。 重要なこととして,本手法は,教師なしドメインにMOQDを適用する方法として,特徴を学習しなければならないタスクに優れることを示す。 また、MOUR-QDは非有界な特徴空間を持つ領域において有利であり、既存のグリッドベースの手法よりも優れていることを示す。 最後に、MOUR-QDが既存のMOQDタスク上で確立されたMOQDメソッドと競合し、いくつかの環境でMOQDスコアを2倍にすることを示す。 MOUR-QDは、タンパク質設計や画像生成といった領域におけるMOQDの新たな機会を開く。

関連論文リスト

• R-Eval: A Unified Toolkit for Evaluating Domain Knowledge of Retrieval Augmented Large Language Models [51.468732121824125]
  大規模言語モデルは一般的なNLPタスクにおいて顕著な成功を収めてきたが、ドメイン固有の問題には不足する可能性がある。 既存の評価ツールは、ドメイン知識の深さを掘り下げることなく、いくつかのベースラインを提供し、様々なドメインで評価するのみである。 本稿では、R-Evalツールキット(R-Evalツールキット)を導入し、異なるRAGの評価を合理化することによるALLMの評価の課題に対処する。
  論文  参考訳（メタデータ） (2024-06-17T15:59:49Z)
• Large Language Models as In-context AI Generators for Quality-Diversity [8.585387103144825]
  In-context QDは、QDアーカイブから品質の異なる例をコンテキストとして、少数ショットと多ショットのプロンプトを使って興味深いソリューションを生成することを目的としている。 In-context QD display promising results than both QD baselines and similar strategy developed for single-jective optimization。
  論文  参考訳（メタデータ） (2024-04-24T10:35:36Z)
• Revisiting the Domain Shift and Sample Uncertainty in Multi-source Active Domain Transfer [69.82229895838577]
  Active Domain Adaptation (ADA)は、アノテートするターゲットデータの限られた数を選択することで、新しいターゲットドメインにおけるモデル適応を最大限に向上することを目的としている。 この設定は、複数のソースからトレーニングデータを収集するより実践的なシナリオを無視します。 これは、ADAを単一のソースドメインから複数のソースドメインに拡張する、新しい、挑戦的な知識転送の設定を目標にしています。
  論文  参考訳（メタデータ） (2023-11-21T13:12:21Z)
• Benchmark tasks for Quality-Diversity applied to Uncertain domains [1.5469452301122175]
  実装が容易で軽量な8つのタスクを3つのカテゴリに分けて紹介します。 我々は、UQDベンチマークタスクを簡単に定義するための重要な不確実性を特定する。 私たちのタスクはすべて、Redundant Arm上に構築されています。
  論文  参考訳（メタデータ） (2023-04-24T21:23:26Z)
• TaskMatrix.AI: Completing Tasks by Connecting Foundation Models with Millions of APIs [71.7495056818522]
  私たちは、基礎モデルと数百万のAPIを結合してタスク補完を行う、新しいAIエコシステムとしてTaskMatrix.AIを紹介します。 このようなエコシステムを構築するためのビジョンを示し、それぞれの重要なコンポーネントを説明し、このビジョンの実現可能性と次に取り組むべき主な課題の両方を説明するために研究ケースを使用します。
  論文  参考訳（メタデータ） (2023-03-29T03:30:38Z)
• Assessing Quality-Diversity Neuro-Evolution Algorithms Performance in Hard Exploration Problems [10.871978893808533]
  QD法(Quality-Diversity method)は、高い性能のニッチ生物を生産する自然の能力に触発された進化的アルゴリズムである。 本稿では,探索困難を伴う高次元制御問題を示す3つの候補ベンチマークについて述べる。 私たちはまた、Jaxのオープンソース実装を提供し、実践者が少ない計算リソース上で高速かつ多数の実験を実行できるようにします。
  論文  参考訳（メタデータ） (2022-11-24T18:04:12Z)
• T-DominO: Exploring Multiple Criteria with Quality-Diversity and the Tournament Dominance Objective [1.7205106391379026]
  我々は,MCX問題における複数の目的に対応するために特別に設計された新しいランキングであるT-DominOを提案する。 各MAP-Elites ビンに1つのバランスの取れたソリューションだけを保持することは、アーカイブの視覚的アクセシビリティを維持する。
  論文  参考訳（メタデータ） (2022-07-04T14:26:02Z)
• 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)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• Quality-Diversity Meta-Evolution: customising behaviour spaces to a meta-objective [1.0152838128195467]
  品質多様性(QD)アルゴリズムは、振る舞いの多様性と高いパフォーマンスのソリューションを進化させる。 本稿では,QD-Metaにおける機能評価と多脚ロボットの動作評価に関する実証的研究を行う。
  論文  参考訳（メタデータ） (2021-09-08T20:27:24Z)
• MADAN: Multi-source Adversarial Domain Aggregation Network for Domain Adaptation [58.38749495295393]
  ドメイン適応は、あるラベル付きソースドメインと、わずかにラベル付けまたはラベル付けされていないターゲットドメインの間のドメインシフトをブリッジするために、転送可能なモデルを学ぶことを目的としています。 近年のマルチソース領域適応法(MDA)では,ソースとターゲット間の画素レベルのアライメントは考慮されていない。 これらの課題に対処するための新しいMDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T21:22:00Z)

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。