論文の概要: An exploration for higher efficiency in multi objective optimisation with reinforcement learning

• arxiv url: http://arxiv.org/abs/2512.10208v1
• Date: Thu, 11 Dec 2025 01:58:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.148651
• Title: An exploration for higher efficiency in multi objective optimisation with reinforcement learning
• Title（参考訳）: 強化学習を用いた多目的最適化における高効率化のための探索
• Authors: Mehmet Emin Aydin,
• Abstract要約: 最適化と検索プロセスの効率性は、引き続き課題の1つだ。 一つのオペレータではなくオペレータのプールを使用して、近隣での移動操作を処理することは、今後も有望である。 有望なアイデアの1つは、経験を一般化し、それを活用する方法を模索することだ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficiency in optimisation and search processes persists to be one of the challenges, which affects the performance and use of optimisation algorithms. Utilising a pool of operators instead of a single operator to handle move operations within a neighbourhood remains promising, but an optimum or near optimum sequence of operators necessitates further investigation. One of the promising ideas is to generalise experiences and seek how to utilise it. Although numerous works are done around this issue for single objective optimisation, multi-objective cases have not much been touched in this regard. A generalised approach based on multi-objective reinforcement learning approach seems to create remedy for this issue and offer good solutions. This paper overviews a generalisation approach proposed with certain stages completed and phases outstanding that is aimed to help demonstrate the efficiency of using multi-objective reinforcement learning.
• Abstract（参考訳）: 最適化と探索プロセスの効率性は、最適化アルゴリズムの性能と使用に影響を及ぼす課題の1つであり続けている。 一つの演算子ではなく演算子のプールを使って近傍での移動操作を処理することは有望であるが、最適あるいはほぼ最適に近い演算子の列はさらなる調査を必要とする。 有望なアイデアの1つは、経験を一般化し、それを活用する方法を模索することだ。 単一目的最適化のためのこの問題に関して多くの研究がなされているが、この点に関して多目的ケースはあまり触れられていない。 多目的強化学習アプローチに基づく一般化されたアプローチは、この問題に対する対策を生み出し、優れた解決策を提供するように思われる。 本稿では,多目的強化学習の効率化を実証するために,特定の段階を完了した一般化手法と相を概説する。

関連論文リスト

• Aligned Multi Objective Optimization [15.404668020811513]
  機械学習の実践では、このような衝突が起こらないシナリオが数多く存在する。 近年のマルチタスク学習,強化学習,LLMsトレーニングの成果から,多種多様な関連タスクが,目的物間のパフォーマンスを同時に向上する可能性が示唆された。 我々は、アラインド多目的最適化フレームワークを導入し、この設定のための新しいアルゴリズムを提案し、それらの優れた性能の理論的保証を提供する。
  論文  参考訳（メタデータ） (2025-02-19T20:50:03Z)
• Constrained Multi-objective Bayesian Optimization through Optimistic Constraints Estimation [10.77641869521259]
  本論文では,複数の未知領域上で定義されたレベルセットのアクティブな学習と,実現可能な領域内での多目的最適化のバランスをとる,制約付き多目的ベイズ最適化アルゴリズムCOMBOOを提案する。 理論的解析と経験的証拠の両方を提供し、様々な合成ベンチマークや実世界の応用に対するアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-11-06T03:38:00Z)
• Learning Joint Models of Prediction and Optimization [56.04498536842065]
  Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。 本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-07T19:52:14Z)
• Deep Pareto Reinforcement Learning for Multi-Objective Recommender Systems [54.2484458418885]
  複数の目的を同時に最適化することは、レコメンデーションプラットフォームにとって重要なタスクです。 既存の多目的推薦システムは、そのような動的な関係を体系的に考慮していない。
  論文  参考訳（メタデータ） (2024-07-04T02:19:49Z)
• Analyzing and Enhancing the Backward-Pass Convergence of Unrolled Optimization [50.38518771642365]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。 本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。 Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
  論文  参考訳（メタデータ） (2023-12-28T23:15:18Z)
• Characterization of Constrained Continuous Multiobjective Optimization Problems: A Performance Space Perspective [0.0]
  制約付き多目的最適化問題(CMOP)は不満足に理解されている。 ベンチマークのための適切なCMOPの選択は困難で、正式なバックグラウンドが欠如しています。 本稿では,制約付き多目的最適化のための新しい性能評価手法を提案する。
  論文  参考訳（メタデータ） (2023-02-04T14:12:30Z)
• Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。 本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
  論文  参考訳（メタデータ） (2023-01-28T01:50:42Z)
• Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
  非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。 本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
  論文  参考訳（メタデータ） (2022-01-28T05:53:28Z)
• Are we Forgetting about Compositional Optimisers in Bayesian Optimisation? [66.39551991177542]
  本稿では,グローバル最適化のためのサンプル手法を提案する。 この中、重要なパフォーマンス決定の自明さは、取得機能を最大化することです。 3958実験における機能最適化手法の実証的利点を強調する。
  論文  参考訳（メタデータ） (2020-12-15T12:18:38Z)
• Empirical Study on the Benefits of Multiobjectivization for Solving Single-Objective Problems [0.0]
  局所オプティマはしばしばアルゴリズムの進行を防ぎ、深刻な脅威を引き起こす。 マルチオブジェクトの勾配に基づく高度な可視化技術を用いて,出現するマルチオブジェクトの景観の特性を図示し,考察した。 我々は,多目的COCOMOGSAがこれらの特性を利用して局所トラップを克服できることを実証的に示す。
  論文  参考訳（メタデータ） (2020-06-25T14:04:37Z)

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。