論文の概要: The Offline-Frontier Shift: Diagnosing Distributional Limits in Generative Multi-Objective Optimization

• arxiv url: http://arxiv.org/abs/2602.11126v1
• Date: Wed, 11 Feb 2026 18:38:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:02.323282
• Title: The Offline-Frontier Shift: Diagnosing Distributional Limits in Generative Multi-Objective Optimization
• Title（参考訳）: オフラインFrontierシフト:生成的多目的最適化における分布限界の診断
• Authors: Stephanie Holly, Alexandru-Ciprian Zăvoianu, Siegfried Silber, Sepp Hochreiter, Werner Zellinger,
• Abstract要約: 生成法は, 世代間距離などの他の指標に対して, 進化的オルタナティブを系統的に過小評価することを示す。 この制限を克服するには、客観空間における分配外サンプリングが必要であると論じる。 本研究は, オフラインMOOを分散シフト制限問題として位置づけ, 生成最適化手法が失敗する原因と原因を理解するための診断レンズを提供する。
• 参考スコア（独自算出の注目度）: 56.39938641873341
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Offline multi-objective optimization (MOO) aims to recover Pareto-optimal designs given a finite, static dataset. Recent generative approaches, including diffusion models, show strong performance under hypervolume, yet their behavior under other established MOO metrics is less understood. We show that generative methods systematically underperform evolutionary alternatives with respect to other metrics, such as generational distance. We relate this failure mode to the offline-frontier shift, i.e., the displacement of the offline dataset from the Pareto front, which acts as a fundamental limitation in offline MOO. We argue that overcoming this limitation requires out-of-distribution sampling in objective space (via an integral probability metric) and empirically observe that generative methods remain conservatively close to the offline objective distribution. Our results position offline MOO as a distribution-shift--limited problem and provide a diagnostic lens for understanding when and why generative optimization methods fail.
• Abstract（参考訳）: オフライン多目的最適化(MOO)は、有限な静的データセットからパレート最適設計を復元することを目的としている。 拡散モデルを含む最近の生成的アプローチは、超体積下では強い性能を示すが、他の確立されたMOO指標下での挙動は理解されていない。 生成法は, 世代間距離などの他の指標に対して, 進化的オルタナティブを系統的に過小評価することを示す。 我々は、この障害モードをオフライン・フロンティアシフト、すなわち、オフラインMOOの基本的な制限として機能するParetoフロントからのオフラインデータセットの変位に関連付ける。 この制限を克服するには、(積分確率計量による)対象空間における分布外サンプリングが必要であり、生成的手法がオフライン目的分布に保守的に近づき続けることを実証的に観察する。 本研究は, オフラインMOOを分散シフト制限問題として位置づけ, 生成最適化手法が失敗する原因と原因を理解するための診断レンズを提供する。

関連論文リスト

• Pareto-Conditioned Diffusion Models for Offline Multi-Objective Optimization [17.743769168437645]
  条件付きサンプリング問題としてオフラインMOOを定式化する新しいフレームワークを提案する。 所望のトレードオフを直接条件付けすることで、PCDは明示的なサロゲートモデルの必要性を避けることができる。 標準オフラインMOOベンチマークの実験では、PCDは高い競争性能を達成している。
  論文  参考訳（メタデータ） (2026-01-31T14:05:05Z)
• Transition Models: Rethinking the Generative Learning Objective [68.16330673177207]
  有限時間間隔で状態遷移を解析的に定義する連続時間力学方程式を導入する。 これは、任意のステップ遷移に適応する新しい生成パラダイムである遷移モデル(TiM)をもたらす。 TiMは最先端のパフォーマンスを達成し、SD3.5 (8Bパラメータ)やFLUX.1 (12Bパラメータ)といった主要なモデルを超える。
  論文  参考訳（メタデータ） (2025-09-04T17:05:59Z)
• OM2P: Offline Multi-Agent Mean-Flow Policy [40.346958259814514]
  我々は,OM2P(Offline Multi-Agent Mean-Flow Policy)を提案する。 OM2Pは、最大3.8倍のGPUメモリ使用量を削減し、トレーニング時間の最大10.8倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2025-08-08T12:38:56Z)
• 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)
• Offline Model-Based Optimization: Comprehensive Review [61.91350077539443]
  オフライン最適化は、オフラインデータセットのみを使用してブラックボックス機能の最適化を目標とする、科学とエンジニアリングの基本的な課題である。 モデルベース最適化の最近の進歩は、オフライン固有の代理モデルと生成モデルを開発するために、ディープニューラルネットワークの一般化能力を活用している。 科学的な発見を加速させる効果が増大しているにもかかわらず、この分野は包括的なレビューを欠いている。
  論文  参考訳（メタデータ） (2025-03-21T16:35:02Z)
• Continual Optimization with Symmetry Teleportation for Multi-Task Learning [73.28772872740744]
  マルチタスク学習(MTL)は、1つのモデルを用いて複数のタスクの同時学習を可能にする。 シンメトリ・テレポーテーション(COST)を用いた連続最適化に基づく新しい手法を提案する。 COSTは、競合の勾配を減らすために、損失ランドスケープに別の損失等価点を求める。
  論文  参考訳（メタデータ） (2025-03-06T02:58:09Z)
• Test-time Alignment of Diffusion Models without Reward Over-optimization [8.981605934618349]
  拡散モデルは生成的タスクにおいて優れているが、特定の目的とそれらを整合させることは依然として困難である。 そこで本研究では,SMC(Sequential Monte Carlo)をベースとした学習自由なテスト時間手法を提案する。 単一逆最適化、多目的シナリオ、オンラインブラックボックス最適化において、その効果を実証する。
  論文  参考訳（メタデータ） (2025-01-10T09:10:30Z)
• Offline Multi-Objective Optimization [23.543056729281695]
  オフライン最適化は、静的データセットでブラックボックスの目的関数を最大化し、幅広いアプリケーションを持つことを目的としている。 我々はオフラインMOOのための最初のベンチマークを提案し、合成タスクから実世界のタスクまで幅広い問題をカバーしている。 実験の結果、トレーニングセットの最高の値よりも改善され、オフラインMOO手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-06-06T03:35:09Z)
• Diffusion Models as Constrained Samplers for Optimization with Unknown Constraints [55.39203337683045]
  拡散モデルを用いてデータ多様体内で最適化を行う。 目的関数の微分可能性に応じて,2つの異なるサンプリング手法を提案する。 提案手法は,従来の最先端のベースラインよりも優れた,あるいは同等のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-02-28T03:09:12Z)
• Stitching Sub-Trajectories with Conditional Diffusion Model for Goal-Conditioned Offline RL [18.31263353823447]
  本稿では,モデルに基づくオフラインゴールコンディション強化学習(Offline GCRL)手法を提案する。 本稿では,目標値と目標値に条件付けされた将来の計画を生成する拡散モデルを用いて,目標を許容するオフラインデータセットから目標値を推定する。 我々は,GCRLタスクの標準ベンチマークセットにおける最先端性能を報告し,オフラインデータ中の準最適軌道のセグメントを縫合して高品質な計画を生成する能力を実証する。
  論文  参考訳（メタデータ） (2024-02-11T15:23:13Z)

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。