論文の概要: Adversarial Coevolutionary Illumination with Generational Adversarial MAP-Elites

• arxiv url: http://arxiv.org/abs/2505.06617v3
• Date: Mon, 06 Oct 2025 23:01:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 15:38:20.288572
• Title: Adversarial Coevolutionary Illumination with Generational Adversarial MAP-Elites
• Title（参考訳）: 世代逆転MAP-エリートを用いた逆転共進化イルミネーション
• Authors: Timothée Anne, Noah Syrkis, Meriem Elhosni, Florian Turati, Franck Legendre, Alain Jaquier, Sebastian Risi,
• Abstract要約: QD(Quality-Diversity)アルゴリズムは、振る舞い空間にまたがる多様なハイパフォーマンスなソリューションを見つけ出そうとする。 本稿では,各世代でどの側が進化するかを交互に比較することによって,両面を進化させる共進化QDアルゴリズムであるジェネレーション・アドバイサルMAP-Elites(GAME)を提案する。
• 参考スコア（独自算出の注目度）: 3.4524024382493774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quality-Diversity (QD) algorithms seek to discover diverse, high-performing solutions across a behavior space, contrasting with conventional optimization methods that target a single optimum. Adversarial problems present unique challenges for QD approaches, as the competing nature of opposing sides creates interdependencies that complicate the evolution process. Existing QD methods applied to such scenarios typically fix one side, constraining behavioral diversity. We present Generational Adversarial MAP-Elites (GAME), a coevolutionary QD algorithm that evolves both sides by alternating which side is evolved at each generation. By integrating a vision embedding model, our approach eliminates the need for domain-specific behavior descriptors and instead operates on video. We validate GAME across three distinct adversarial domains: a multi-agent battle game, a soft-robot wrestling environment, and a deck building game. Our experiments reveal several evolutionary phenomena, including arms-race-like dynamics, enhanced novelty through generational extinction, and the preservation of neutral mutations as crucial stepping stones toward the highest performance. While GAME successfully illuminates all adversarial problems, its capacity for truly open-ended discovery remains constrained by the finite nature of the underlying search spaces. These findings establish GAME's broad applicability while highlighting opportunities for future research into open-ended adversarial coevolution.
• Abstract（参考訳）: QD(Quality-Diversity)アルゴリズムは、単一の最適化を目標とする従来の最適化手法とは対照的に、振る舞い空間にまたがる多様なハイパフォーマンスなソリューションを見つけ出そうとする。 対立する側の性質は、進化過程を複雑にする相互依存を生み出すため、QDアプローチに固有の課題が生じる。 このようなシナリオに適用された既存のQDメソッドは、通常は一方を固定し、振る舞いの多様性を制限します。 本稿では,各世代でどの側が進化するかを交互に比較することによって,両面を進化させる共進化QDアルゴリズムであるジェネレーション・アドバイサルMAP-Elites(GAME)を提案する。 視覚埋め込みモデルを統合することで、ドメイン固有の振る舞い記述子の必要性を排除し、代わりにビデオで操作する。 我々はGAMEを,マルチエージェントバトルゲーム,ソフトロボットレスリング環境,デッキビルディングゲームという3つの異なるドメインにまたがって検証する。 我々の実験は、腕のレースのような力学、世代間絶滅による新規性の向上、中性突然変異の保存など、いくつかの進化現象を最高パフォーマンスに向けた重要なステップストーンとして示している。 GAMEは全ての逆問題に照らし出すことに成功したが、真に自由な発見の能力は、基礎となる探索空間の有限の性質に制約されているままである。 これらの知見は、GAMEの幅広い適用性を確立しつつ、将来のオープンエンド逆境共進化研究の機会を強調している。

関連論文リスト

• Quality Diversity Genetic Programming for Learning Scheduling Heuristics [36.015695494167495]
  品質多様性最適化(QD: Quality-Diversity optimization)は、進化的アルゴリズムにおける多面的アプローチであり、高い性能と多様なソリューションのセットを生成することを目的としている。 本稿では,動的スケジューリング問題に対する新しいQDフレームワークを提案する。 そこで本研究では,遺伝子型をそれらの行動にリンクすることで,その解を可視化するマップ構築戦略を提案し,QDマップ上での表現を可能にする。
  論文  参考訳（メタデータ） (2025-07-03T02:01:30Z)
• Faster Optimal Coalition Structure Generation via Offline Coalition Selection and Graph-Based Search [61.08720171136229]
  本稿では,3つの革新的手法のハイブリッド化に基づく問題に対する新しいアルゴリズムSMARTを提案する。 これらの2つの手法は動的プログラミングに基づいており、評価のために選択された連立関係とアルゴリズムの性能の強力な関係を示す。 我々の手法は、問題にアプローチする新しい方法と、その分野に新しいレベルの精度をもたらす。
  論文  参考訳（メタデータ） (2024-07-22T23:24:03Z)
• Don't Bet on Luck Alone: Enhancing Behavioral Reproducibility of Quality-Diversity Solutions in Uncertain Domains [2.639902239625779]
  アーカイブ再現性向上アルゴリズム(ARIA)を紹介する。 ARIAは、アーカイブに存在するソリューションの品質を改善するプラグイン・アンド・プレイのアプローチである。 提案アルゴリズムは,任意のアーカイブの品質とディスクリプタ空間のカバレッジを少なくとも50%向上させることを示す。
  論文  参考訳（メタデータ） (2023-04-07T14:45:14Z)
• Differentiable Bilevel Programming for Stackelberg Congestion Games [47.60156422249365]
  Stackelberg Congestion Game (SCG) において、リーダーは、群集が集まる平衡状態を予測し、操作することで、自身の利益を最大化することを目的としている。 本稿では,従来の手法と機械学習における最新の微分可能プログラミング技術を組み合わせることで,この計算課題に挑戦する。 本稿では,SCGの局所探索アルゴリズムを2つ提案する。第1に,微分可能プログラミングを用いてILDをアンロールすることで導関数を求める勾配降下アルゴリズムを提案する。 第二のアルゴリズムは、フォロワーの進化軌道を短くすることでツイストを加える。
  論文  参考訳（メタデータ） (2022-09-15T21:32:23Z)
• Runtime Analysis of Competitive co-Evolutionary Algorithms for Maximin Optimisation of a Bilinear Function [1.3053649021965603]
  共進化的アルゴリズムには、ハードウェア設計、ボードゲーム戦略の進化、ソフトウェアバグのパッチなど、幅広い応用がある。 共進化的アルゴリズムが解を効率的にかつ確実に見つけることを予測できる理論を開発することは、オープンな挑戦である。 本稿では,人口ベース競争共進化型アルゴリズムのランタイム解析開発における第一歩について述べる。
  論文  参考訳（メタデータ） (2022-06-30T12:35:36Z)
• An Effective and Efficient Evolutionary Algorithm for Many-Objective Optimization [2.5594423685710814]
  様々な多目的問題に対処できる効率的な進化的アルゴリズム(E3A)を開発した。 SDEにインスパイアされたE3Aでは,新しい集団維持法が提案されている。 我々は、広範囲な実験を行い、E3Aが11の最先端の多目的進化アルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-31T15:35:46Z)
• Result Diversification by Multi-objective Evolutionary Algorithms with Theoretical Guarantees [94.72461292387146]
  両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。 GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。 目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
  論文  参考訳（メタデータ） (2021-10-18T14:00:22Z)
• Portfolio Search and Optimization for General Strategy Game-Playing [58.896302717975445]
  ローリングホライズン進化アルゴリズムに基づく最適化とアクション選択のための新しいアルゴリズムを提案する。 エージェントのパラメータとポートフォリオセットの最適化について,N-tuple Bandit Evolutionary Algorithmを用いて検討する。 エージェントの性能分析により,提案手法はすべてのゲームモードによく一般化し,他のポートフォリオ手法よりも優れることが示された。
  論文  参考訳（メタデータ） (2021-04-21T09:28:28Z)
• Selection-Expansion: A Unifying Framework for Motion-Planning and Diversity Search Algorithms [69.87173070473717]
  本稿では,2つの多様性探索アルゴリズム,ノベルティ探索アルゴリズムとゴール探索処理アルゴリズムの特性について検討する。 mpアルゴリズムとの関係は、ポリシーパラメータ空間と結果空間の間のマッピングの滑らかさ、あるいは滑らかさの欠如が検索効率において重要な役割を担っていることを示している。
  論文  参考訳（メタデータ） (2021-04-10T13:52:27Z)
• End-to-End Learning and Intervention in Games [60.41921763076017]
  ゲームにおける学習と介入のための統一的なフレームワークを提供する。 明示的および暗黙的な区別に基づく2つのアプローチを提案する。 分析結果は、実世界のいくつかの問題を用いて検証される。
  論文  参考訳（メタデータ） (2020-10-26T18:39:32Z)
• On Population-Based Algorithms for Distributed Constraint Optimization Problems [12.21350091202884]
  我々は、人口ベースのアルゴリズムとして広く呼ばれる、新しい不完全アルゴリズムのクラスについて研究する。 最初のアプローチであるAnytime Evolutionary DCOP(AED)は、進化最適化メタヒューリスティックを利用してDCOPを解く。 第2のコントリビューションでは、人口ベースのアプローチと局所的な検索アプローチを組み合わせることができることを示す。
  論文  参考訳（メタデータ） (2020-09-02T06:39:30Z)

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。