論文の概要: Quality-Diversity Optimization as Multi-Objective Optimization
- arxiv url: http://arxiv.org/abs/2602.00478v1
- Date: Sat, 31 Jan 2026 03:01:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-03 19:28:33.212843
- Title: Quality-Diversity Optimization as Multi-Objective Optimization
- Title（参考訳）: 多目的最適化としての品質多様性最適化
- Authors: Xi Lin, Ping Guo, Yilu Liu, Qingfu Zhang, Jianyong Sun,
- Abstract要約: QD(Quality-Diversity)最適化は、多様な振る舞いを同時に示すハイパフォーマンスなソリューションの集合を見つけることを目的としている。
本研究は,多目的最適化問題としてQD最適化をキャストすることで,新たな再構成を導入する。
- 参考スコア（独自算出の注目度）: 20.499045742095582
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Quality-Diversity (QD) optimization aims to discover a collection of high-performing solutions that simultaneously exhibit diverse behaviors within a user-defined behavior space. This paradigm has stimulated significant research interest and demonstrated practical utility in domains including robot control, creative design, and adversarial sample generation. A variety of QD algorithms with distinct design principles have been proposed in recent years. Instead of proposing a new QD algorithm, this work introduces a novel reformulation by casting the QD optimization as a multi-objective optimization (MOO) problem with a huge number of optimization objectives. By establishing this connection, we enable the direct adoption of well-established MOO methods, particularly set-based scalarization techniques, to solve QD problems through a collaborative search process. We further provide a theoretical analysis demonstrating that our approach inherits theoretical guarantees from MOO while providing desirable properties for the QD optimization. Experimental studies across several QD applications confirm that our method achieves performance competitive with state-of-the-art QD algorithms.
- Abstract（参考訳）: QD(Quality-Diversity)最適化は、ユーザ定義の振る舞い空間内で多様な振る舞いを同時に示すハイパフォーマンスなソリューションの集合を見つけることを目的としている。
このパラダイムは、重要な研究の関心を刺激し、ロボット制御、創造的デザイン、敵のサンプル生成を含む領域で実用性を実証してきた。
設計原則が異なる様々なQDアルゴリズムが近年提案されている。
この研究は、新しいQDアルゴリズムを提案する代わりに、多数の最適化目標を持つ多目的最適化(MOO)問題として、QD最適化をキャストすることで、新しい再構成を導入する。
この接続を確立することで、よく確立されたMOO手法、特にセットベーススカラー化手法を直接適用して、協調探索プロセスを通じてQD問題を解決することができる。
さらに,提案手法がMOOから理論的保証を継承し,QD最適化に望ましい特性を提供することを示す理論解析を行った。
いくつかのQDアプリケーションを対象とした実験により,本手法が最先端QDアルゴリズムと競合する性能を実現することを確認した。
関連論文リスト
- Multi-Objective Covariance Matrix Adaptation MAP-Annealing [7.103319934188755]
QD(Quality-Diversity)最適化は、振る舞いの多様性と高品質なソリューションのセットを見つけることに焦点を当てた、新興分野である。
近年のMOQD(Multi-Objective Quality-Diversity)研究は、QD最適化を拡張して、複数の目的関数を同時に最適化している。
これは、難易度、リアリズム、その他の特性を最大化する多種多様なゲームマップを生成するなど、QDのための多目的アプリケーションを開く。
論文 参考訳（メタデータ） (2025-05-27T04:39:28Z) - Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。
大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。
統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
論文 参考訳（メタデータ） (2025-05-13T16:47:00Z) - Quality Diversity for Variational Quantum Circuit Optimization [4.385485960663339]
品質多様性 (QD) 探索手法は、ダイバーシティ駆動の最適化と、回路ソリューション候補の最適化品質に関する洞察を提供するユーザ特定機能を組み合わせたものである。
本稿では,QD-CMA法で容易に最適化できる行列ベースの回路工学を導入し,表現性やゲート多様性などの回路品質特性を品質評価として評価する。
論文 参考訳（メタデータ） (2025-04-11T11:44:08Z) - Preference-Guided Diffusion for Multi-Objective Offline Optimization [64.08326521234228]
オフライン多目的最適化のための優先誘導拡散モデルを提案する。
我々の指導は、ある設計が他の設計を支配する確率を予測するために訓練された選好モデルである。
本結果は,多種多様な高品質な解を生成する上での分類器誘導拡散モデルの有効性を浮き彫りにした。
論文 参考訳（メタデータ） (2025-03-21T16:49:38Z) - A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。
これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。
本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
論文 参考訳（メタデータ） (2024-12-18T14:11:15Z) - 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) - End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳（メタデータ） (2024-02-12T16:33:35Z) - Multiobjective Optimization Analysis for Finding Infrastructure-as-Code
Deployment Configurations [0.3774866290142281]
本稿では,インフラストラクチャ・アズ・コード配置に関する多目的問題に焦点をあてる。
本稿では,9種類の進化型多目的アルゴリズムについて述べる。
フリードマンの非パラメトリックテストを用いて, 独立ランニング後の各手法の結果を比較した。
論文 参考訳（メタデータ） (2024-01-18T13:55:32Z) - A survey on multi-objective hyperparameter optimization algorithms for
Machine Learning [62.997667081978825]
本稿では,多目的HPOアルゴリズムに関する2014年から2020年にかけての文献を体系的に調査する。
メタヒューリスティック・ベース・アルゴリズムとメタモデル・ベース・アルゴリズム,および両者を混合したアプローチを区別する。
また,多目的HPO法と今後の研究方向性を比較するための品質指標についても論じる。
論文 参考訳（メタデータ） (2021-11-23T10:22:30Z) - Few-shot Quality-Diversity Optimization [50.337225556491774]
品質多様性(QD)の最適化は、強化学習における知覚的最小値とスパース報酬を扱う上で効果的なツールであることが示されている。
本稿では,タスク分布の例から,パラメータ空間の最適化によって得られる経路の情報を利用して,未知の環境でQD手法を初期化する場合,数発の適応が可能であることを示す。
ロボット操作とナビゲーションベンチマークを用いて、疎密な報酬設定と密集した報酬設定の両方で実施された実験は、これらの環境でのQD最適化に必要な世代数を著しく削減することを示している。
論文 参考訳（メタデータ） (2021-09-14T17:12:20Z)
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。