論文の概要: Evolutionary Generative Optimization: Towards Fully Data-Driven Evolutionary Optimization via Generative Learning
- arxiv url: http://arxiv.org/abs/2508.00380v1
- Date: Fri, 01 Aug 2025 07:17:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-04 18:08:53.770316
- Title: Evolutionary Generative Optimization: Towards Fully Data-Driven Evolutionary Optimization via Generative Learning
- Title（参考訳）: 進化的生成最適化: 生成学習による完全なデータ駆動進化的最適化を目指して
- Authors: Kebin Sun, Tao Jiang, Ran Cheng, Yaochu Jin, Kay Chen Tan,
- Abstract要約: 我々は、生成学習によって強化された完全なデータ駆動型フレームワークを提案する。
EvoGOは進化的最適化プロセスを、データ準備、モデルトレーニング、人口生成の3段階に合理化している。
数値ベンチマーク、古典的な制御問題、高次元ロボットタスクの実験により、EvoGOはわずか10世代で一貫して収束することを示した。
- 参考スコア（独自算出の注目度）: 41.44929681213813
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in data-driven evolutionary algorithms (EAs) have demonstrated the potential of leveraging data to improve optimization accuracy and adaptability. Nevertheless, most existing approaches remain dependent on handcrafted heuristics, which limits their generality and automation. To address this challenge, we propose Evolutionary Generative Optimization (EvoGO), a fully data-driven framework empowered by generative learning. EvoGO streamlines the evolutionary optimization process into three stages: data preparation, model training, and population generation. The data preparation stage constructs a pairwise dataset to enrich training diversity without incurring additional evaluation costs. During model training, a tailored generative model learns to transform inferior solutions into superior ones. In the population generation stage, EvoGO replaces traditional reproduction operators with a scalable and parallelizable generative mechanism. Extensive experiments on numerical benchmarks, classical control problems, and high-dimensional robotic tasks demonstrate that EvoGO consistently converges within merely 10 generations and significantly outperforms a wide spectrum of optimization approaches, including traditional EAs, Bayesian optimization, and reinforcement learning based methods. Source code will be made publicly available.
- Abstract（参考訳）: データ駆動進化アルゴリズム(EA)の最近の進歩は、データの最適化精度と適応性を改善するためにデータを活用する可能性を実証している。
しかしながら、既存のほとんどのアプローチは、その一般化と自動化を制限する手作りのヒューリスティックに依存している。
この課題に対処するために、生成学習によって強化された完全にデータ駆動のフレームワークである進化的生成最適化(EvoGO)を提案する。
EvoGOは進化的最適化プロセスを、データ準備、モデルトレーニング、人口生成の3段階に合理化している。
データ準備段階は、追加評価コストを発生させることなく、トレーニングの多様性を豊かにするペアワイズデータセットを構築する。
モデルトレーニングの間、調整された生成モデルは、劣る解を優れた解に変換することを学習する。
人口発生の段階では、EvoGOは従来の複製オペレーターをスケーラブルで並列化可能な生成メカニズムで置き換える。
数値ベンチマーク、古典的制御問題、高次元ロボットタスクに関する広範な実験により、EvoGOは10世代以内で一貫して収束し、従来のEA、ベイズ最適化、強化学習に基づく手法など、幅広い最適化アプローチを著しく上回っていることが示された。
ソースコードは公開されます。
関連論文リスト
- EvolvingGrasp: Evolutionary Grasp Generation via Efficient Preference Alignment [42.41408547627677]
EvolvingGraspは、優先アライメントによる把握性能を継続的に向上する進化的グリップ生成法である。
EvolvingGraspは, シミュレーションと実シナリオの両方において, 進化的把握生成, 堅牢で, 物理的に実現可能で, 嗜好に整合した把握を可能にする。
論文 参考訳（メタデータ） (2025-03-18T15:01:47Z) - Learning Evolution via Optimization Knowledge Adaptation [50.280704114978384]
進化的アルゴリズム(EA)は、複雑なタスクの解を見つけるために、進化的演算子を通して集団を維持する。
最適化知識適応進化モデル(okaEM)を導入し,最適化能力を向上する。
okaEMは、様々な知識伝達設定におけるパフォーマンス向上のために、事前知識を活用する。
自然選択と遺伝子組換えの原理をエミュレートすることができる。
論文 参考訳（メタデータ） (2025-01-04T05:35:21Z) - Heuristically Adaptive Diffusion-Model Evolutionary Strategy [1.8299322342860518]
拡散モデル(Diffusion Models)は、生成モデルにおいて重要な進歩を示す。
本研究は,拡散モデルと進化的アルゴリズムの基本的な関係を明らかにする。
我々のフレームワークは、進化的最適化プロセスにおいて、柔軟性、精度、制御性を高めたアルゴリズム上の大きな遷移を示す。
論文 参考訳（メタデータ） (2024-11-20T16:06:28Z) - Adaptive Data Optimization: Dynamic Sample Selection with Scaling Laws [59.03420759554073]
本稿では,オンライン手法でデータ分散を最適化するアルゴリズムであるAdaptive Data Optimization (ADO)を導入する。
ADOは外部の知識やプロキシモデル、モデル更新の変更を必要としない。
ADOは、ドメインごとのスケーリング法則を使用して、トレーニング中の各ドメインの学習ポテンシャルを推定し、データ混合を調整する。
論文 参考訳（メタデータ） (2024-10-15T17:47:44Z) - Automatic Instruction Evolving for Large Language Models [93.52437926313621]
Auto Evol-Instructは、人間の努力なしに大規模な言語モデルを使用して命令データセットを進化させるエンドツーエンドフレームワークである。
実験の結果, Auto Evol-Instruct で最適化された最良の手法は, 様々なベンチマークにおいて, 人為的に設計した手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2024-06-02T15:09:00Z) - Evolutionary Large Language Model for Automated Feature Transformation [44.64296052383581]
自動特徴変換のための進化的Large Language Model (LLM) フレームワークを提案する。
本フレームワークは,1)RLデータコレクタによるマルチポピュレーションデータベースの構築,2)大規模言語モデル(LLM)のシーケンス理解能力を活用した2つの部分から構成される。
提案手法の有効性と汎用性を実証的に示す。
論文 参考訳（メタデータ） (2024-05-25T12:27:21Z) - Evolution Transformer: In-Context Evolutionary Optimization [6.873777465945062]
本稿では、進化戦略のファミリーを柔軟に特徴付けることができる因果トランスフォーマーアーキテクチャである進化トランスフォーマーを紹介する。
進化的アルゴリズム蒸留(Evolutionary Algorithm Distillation)を用いてモデルの重み付けを訓練する。
進化変換器の動作特性を解析し,進化変換器を自己参照的に学習する手法を提案する。
論文 参考訳（メタデータ） (2024-03-05T14:04:13Z) - Functional Graphical Models: Structure Enables Offline Data-Driven Optimization [111.28605744661638]
構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。
また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-01-08T22:33:14Z) - A Data-Driven Evolutionary Transfer Optimization for Expensive Problems
in Dynamic Environments [9.098403098464704]
データ駆動、つまりサロゲート支援、進化的最適化は、高価なブラックボックス最適化問題に対処するための効果的なアプローチとして認識されている。
本稿では,データ駆動型進化的最適化により動的最適化問題を解くための,シンプルだが効果的な伝達学習フレームワークを提案する。
提案手法の有効性を実世界のケーススタディで実証した。
論文 参考訳（メタデータ） (2022-11-05T11:19:50Z) - Generative Data Augmentation for Commonsense Reasoning [75.26876609249197]
G-DAUGCは、低リソース環境でより正確で堅牢な学習を実現することを目的とした、新しい生成データ拡張手法である。
G-DAUGCは、バックトランスレーションに基づく既存のデータ拡張手法を一貫して上回っている。
分析の結果,G-DAUGCは多種多様な流線型学習例を産出し,その選択と学習アプローチが性能向上に重要であることが示された。
論文 参考訳（メタデータ） (2020-04-24T06:12:10Z)
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。