論文の概要: Structural bias in multi-objective optimisation

• arxiv url: http://arxiv.org/abs/2602.06742v1
• Date: Fri, 06 Feb 2026 14:43:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.42592
• Title: Structural bias in multi-objective optimisation
• Title（参考訳）: 多目的最適化における構造バイアス
• Authors: Jakub Kudela, Niki van Stein, Thomas Bäck, Anna V. Kononova,
• Abstract要約: 構造バイアス (Structure bias, SB) とは、探索空間の特定の領域に対して最適化アルゴリズムを体系的に選好することを指す。 SBは単目的最適化において広範囲に研究されているが、多目的最適化におけるその役割はほとんど解明されていない。 本稿では、構造バイアスの概念を多目的設定に拡張し、フィットネス駆動誘導から分離して研究する手法を提案する。
• 参考スコア（独自算出の注目度）: 5.869782631289138
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Structural bias (SB) refers to systematic preferences of an optimisation algorithm for particular regions of the search space that arise independently of the objective function. While SB has been studied extensively in single-objective optimisation, its role in multi-objective optimisation remains largely unexplored. This is problematic, as dominance relations, diversity preservation and Pareto-based selection mechanisms may introduce or amplify structural effects. In this paper, we extend the concept of structural bias to the multi-objective setting and propose a methodology to study it in isolation from fitness-driven guidance. We introduce a suite of synthetic multi-objective test problems with analytically controlled Pareto fronts and deliberately uninformative objective values. These problems are designed to decouple algorithmic behaviour from problem structure, allowing bias induced purely by algorithmic operators and design choices to be observed. The test suite covers a range of Pareto front shapes, densities and noise levels, enabling systematic analysis of different manifestations of structural bias. We discuss methodological challenges specific to the multi-objective case and outline how existing SB detection approaches can be adapted. This work provides a first step towards behaviour-based benchmarking of multi-objective optimisers, complementing performance-based evaluation and informing more robust algorithm design.
• Abstract（参考訳）: 構造バイアス (Structure bias, SB) とは、目的関数とは独立に生じる探索空間の特定の領域に対して最適化アルゴリズムを体系的に選好することを指す。 SBは単目的最適化において広範囲に研究されてきたが、多目的最適化におけるその役割はほとんど解明されていない。 これは、支配関係、多様性の保存、パレートに基づく選択機構が構造的効果を導入または増幅する可能性があるため、問題である。 本稿では、構造バイアスの概念を多目的設定に拡張し、フィットネス駆動誘導から分離して研究する手法を提案する。 解析的に制御されたパレートフロントと意図しない目的値を用いた合成多目的テスト問題スイートを導入する。 これらの問題は、アルゴリズムの振る舞いと問題構造を分離するように設計されており、アルゴリズム演算子によって純粋に誘導されるバイアスと設計選択を観察することができる。 テストスイートは、パレート前面形状、密度、騒音レベルの範囲をカバーし、構造バイアスの異なる徴候の系統的解析を可能にする。 本稿では,多目的事例に特有な方法論的課題について論じ,既存のSB検出手法をどのように適用できるかを概説する。 この研究は、多目的オプティマイザの振る舞いベースのベンチマークへの第一歩として、パフォーマンスベースの評価を補完し、より堅牢なアルゴリズム設計を実現する。

関連論文リスト

• Deep Unfolding: Recent Developments, Theory, and Design Guidelines [99.63555420898554]
  この記事では、最適化アルゴリズムを構造化されたトレーニング可能なMLアーキテクチャに変換するフレームワークであるDeep Unfoldingのチュートリアルスタイルの概要を提供する。 推論と学習のための最適化の基礎を概観し、深層展開のための4つの代表的な設計パラダイムを導入し、その反復的な性質から生じる特有なトレーニングスキームについて議論する。
  論文  参考訳（メタデータ） (2025-12-03T13:16:35Z)
• From Coefficients to Directions: Rethinking Model Merging with Directional Alignment [66.99062575537555]
  パラメータと特徴空間の両面に一貫した方向構造を整列する,方向アライメント付きemphMerging(method)という統一幾何学的枠組みを導入する。 分析の結果、指向性アライメントは構造的コヒーレンスを改善し、ベンチマーク、モデルスケール、タスク構成にまたがる広範な実験により、我々のアプローチの有効性がさらに検証された。
  論文  参考訳（メタデータ） (2025-11-29T08:40:58Z)
• 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)
• ParetoLens: A Visual Analytics Framework for Exploring Solution Sets of Multi-objective Evolutionary Algorithms [42.23658218722045]
  本稿では,進化的アルゴリズムから導出した解集合の検査と探索を強化するための視覚分析フレームワークを提案する。 ParetoLensは、インタラクティブな視覚表現のスイートを通じて、決定空間と目的空間の両方における解分布の詳細な検査を可能にする。
  論文  参考訳（メタデータ） (2025-01-06T09:04:14Z)
• 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)
• Rewards-in-Context: Multi-objective Alignment of Foundation Models with Dynamic Preference Adjustment [46.44464839353993]
  リワード・イン・コンテキスト(Rewards-in-Context, RiC)を導入する。 RiCは単一のファンデーションモデルの教師付き微調整のみを必要とし、推論時間中にユーザの好みを動的に調整する。
  論文  参考訳（メタデータ） (2024-02-15T18:58:31Z)
• An Instance Space Analysis of Constrained Multi-Objective Optimization Problems [1.314903445595385]
  我々は,制約付き多目的進化アルゴリズム(CMOEA)の性能とCMOPインスタンス特性の関係について,ISA(インスタンス空間解析)を用いて検討する。 6つのCMOPベンチマークスイートと15のCMOEAにまたがる問題アルゴリズムのフットプリントを詳細に評価する。 我々は、非支配的集合の分離と制約と目的の進化可能性の相関という2つの重要な特徴が、アルゴリズムの性能に最も大きな影響を与えると結論付けた。
  論文  参考訳（メタデータ） (2022-03-02T04:28:11Z)
• 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。