論文の概要: Discount Model Search for Quality Diversity Optimization in High-Dimensional Measure Spaces

• arxiv url: http://arxiv.org/abs/2601.01082v1
• Date: Sat, 03 Jan 2026 06:05:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.004277
• Title: Discount Model Search for Quality Diversity Optimization in High-Dimensional Measure Spaces
• Title（参考訳）: 高次元空間における品質多様性最適化のための分散モデル探索
• Authors: Bryon Tjanaka, Henry Chen, Matthew C. Fontaine, Stefanos Nikolaidis,
• Abstract要約: 品質多様性(QD)最適化は、ユーザ評価ベクトル特定測度関数の多様な出力を取得しながら、目的を最適化するソリューションの集合を探索する。 本稿では,ディスカウント値のスムーズかつ連続的な表現を提供するモデルを用いて探索をガイドするディスカウントモデル探索(DMS)を提案する。 DMSは画像の高次元空間を測度空間とする2つの領域を導入することにより、新しいQDアプリケーションを促進することを示す。
• 参考スコア（独自算出の注目度）: 14.727787936599123
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quality diversity (QD) optimization searches for a collection of solutions that optimize an objective while attaining diverse outputs of a user-specified, vector-valued measure function. Contemporary QD algorithms focus on low-dimensional measures because high-dimensional measures are prone to distortion, where many solutions found by the QD algorithm map to similar measures. For example, the CMA-MAE algorithm guides measure space exploration with a histogram in measure space that records so-called discount values. However, CMA-MAE stagnates in domains with high-dimensional measure spaces because solutions with similar measures fall into the same histogram cell and thus receive identical discount values. To address these limitations, we propose Discount Model Search (DMS), which guides exploration with a model that provides a smooth, continuous representation of discount values. In high-dimensional measure spaces, this model enables DMS to distinguish between solutions with similar measures and thus continue exploration. We show that DMS facilitates new QD applications by introducing two domains where the measure space is the high-dimensional space of images, which enables users to specify their desired measures by providing a dataset of images rather than hand-designing the measure function. Results in these domains and on high-dimensional benchmarks show that DMS outperforms CMA-MAE and other black-box QD algorithms.
• Abstract（参考訳）: 品質多様性(QD)最適化は、ユーザ指定のベクトル値測定関数の多様な出力を取得しながら、目的を最適化するソリューションの集合を探索する。 現代のQDアルゴリズムは、高次元測度が歪みを起こしやすいため、低次元測度に焦点を当てている。 例えば、CMA-MAEアルゴリズムは、いわゆる割引値を記録する測度空間のヒストグラムを用いて宇宙探査をガイドする。 しかし、CMA-MAEは、同様の測度を持つ解が同じヒストグラムセルに落ちて同じ割引値を受けるため、高次元測度空間を持つ領域では停滞する。 これらの制約に対処するために、ディスカウントモデル探索(DMS)を提案し、ディスカウント値のスムーズで連続的な表現を提供するモデルを用いて探索をガイドする。 高次元測度空間において、このモデルはDMSが同様の測度を持つ解を区別し、探索を続けることを可能にする。 DMSは,測度空間が画像の高次元空間である領域を2つ導入することにより,新たなQDアプリケーションを促進することを示し,測度関数を手作業で設計するのではなく,画像のデータセットを提供することで,ユーザが所望の測度を指定できるようにする。 これらの領域と高次元ベンチマークの結果は、DMSがCMA-MAEや他のブラックボックスQDアルゴリズムより優れていることを示している。

関連論文リスト

• Soft Quality-Diversity Optimization [10.281456353468055]
  本稿では,QD(Quality-Diversity)問題であるemphSoft QD(emphSoft QD)を提案する。 本稿では,新しい微分可能QDアルゴリズム(emphSoft QD using Approximated Diversity (SQUAD))を考案し,標準ベンチマーク上での最先端技術と競合することを示す。
  論文  参考訳（メタデータ） (2025-11-30T09:38:42Z)
• AutoQD: Automatic Discovery of Diverse Behaviors with Quality-Diversity Optimization [6.781039677915376]
  QD(Quality-Diversity)アルゴリズムは、多種多様な高性能なソリューションの発見に顕著な成功を収めている。 しかし、それらは、事前に定義された多様性の概念への探索を制約する手作りの行動記述子に大きく依存している。 本稿では,マルコフ決定プロセスに政策の占有度を埋め込むことにより,行動記述子を自動的に生成する理論的基礎的アプローチを提案する。
  論文  参考訳（メタデータ） (2025-06-05T23:34:53Z)
• SpatialScore: Towards Unified Evaluation for Multimodal Spatial Understanding [64.15606979785355]
  マルチモーダル大規模言語モデル(MLLM)は,質問応答タスクにおいて顕著な成功を収めているが,空間的理解能力は乏しい。 既存のMLLMは3次元空間認識と理解能力を持っているか?
  論文  参考訳（メタデータ） (2025-05-22T17:59:03Z)
• Order-Preserving Dimension Reduction for Multimodal Semantic Embedding [0.8695396732128153]
  次数保存次元削減は,低次元空間におけるKNNのランクを保ちつつ,埋め込みの次元性を低減することを目的としている。 我々はOPDRを複数の最先端次元推論技術、距離関数、埋め込みモデルと統合した。 様々なマルチモーダルデータセットの実験により、OPDRは計算コストを大幅に削減しつつ、リコール精度を効果的に維持することを示した。
  論文  参考訳（メタデータ） (2024-08-15T22:30:44Z)
• Gradient-Informed Quality Diversity for the Illumination of Discrete Spaces [7.799824794686343]
  品質多様性(QD)アルゴリズムは、一組の局所最適化ではなく、多種多様かつ高性能なソリューションの大規模なコレクションを探すために提案されている。 本稿では、離散探索空間上の微分可能関数でQDを拡張するグラディエント・インフォームド・ディスクレット・エミッタ(ME-GIDE)を提案する。 我々は,タンパク質設計や離散潜在空間照明を含む挑戦的なベンチマークにおいて,本手法がすべてのベンチマークにおいて最先端QD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） (2023-06-08T12:04:52Z)
• IM-IAD: Industrial Image Anomaly Detection Benchmark in Manufacturing [88.35145788575348]
  画像異常検出(英: Image Anomaly Detection、IAD)は、産業用コンピュータビジョンの課題である。 統一IMベンチマークの欠如は、現実世界のアプリケーションにおけるIADメソッドの開発と利用を妨げる。 7つの主要なデータセットに19のアルゴリズムを含む包括的画像異常検出ベンチマーク(IM-IAD)を構築した。
  論文  参考訳（メタデータ） (2023-01-31T01:24:45Z)
• Towards Multimodal Multitask Scene Understanding Models for Indoor Mobile Agents [49.904531485843464]
  本稿では,現実世界の屋内環境におけるラベル付きデータの不十分,あるいは不可能,といった主な課題について論じる。 MMISM (Multi-modality input Multi-task output Indoor Scene Understanding Model) について述べる。 MMISMは、RGB画像だけでなく、スパースライダーポイントを入力と3Dオブジェクト検出、深さ完了、人間のポーズ推定、セマンティックセグメンテーションを出力タスクとみなしている。 MMISMはシングルタスクモデルよりも同等かそれ以上の性能を示す。
  論文  参考訳（メタデータ） (2022-09-27T04:49:19Z)
• Incorporating Texture Information into Dimensionality Reduction for High-Dimensional Images [65.74185962364211]
  距離ベース次元削減手法に周辺情報を組み込む手法を提案する。 画像パッチを比較する異なる手法の分類に基づいて,様々なアプローチを探索する。
  論文  参考訳（メタデータ） (2022-02-18T13:17:43Z)
• Manifold Topology Divergence: a Framework for Comparing Data Manifolds [109.0784952256104]
  本研究では,深部生成モデルの評価を目的としたデータ多様体の比較フレームワークを開発する。 クロスバーコードに基づき,manifold Topology Divergence score(MTop-Divergence)を導入する。 MTop-Divergenceは,様々なモードドロップ,モード内崩壊,モード発明,画像乱れを正確に検出する。
  論文  参考訳（メタデータ） (2021-06-08T00:30:43Z)

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。