論文の概要: Training-Free Diffusion-Driven Modeling of Pareto Set Evolution for Dynamic Multiobjective Optimization

• arxiv url: http://arxiv.org/abs/2603.26749v1
• Date: Mon, 23 Mar 2026 11:09:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.56966
• Title: Training-Free Diffusion-Driven Modeling of Pareto Set Evolution for Dynamic Multiobjective Optimization
• Title（参考訳）: 動的多目的最適化のためのパレート集合の学習自由拡散駆動モデル
• Abstract要約: 本稿では,DMOPのトレーニング自由拡散に基づく動的応答機構DD-DMOEAを提案する。 膝点に基づく補助戦略を用いて、新しい環境における対象領域を特定する。 CEC2018の動的多目的ベンチマークの実験により、DD-DMOEAは競争力またはより良い収束・分散性能を達成することが示された。
• 参考スコア（独自算出の注目度）: 15.780107358426745
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic multiobjective optimization problems (DMOPs) feature time-varying objectives, which cause the Pareto optimal solution (POS) set to drift over time and make it difficult to maintain both convergence and diversity under limited response time. Many existing prediction-based dynamic multiobjective evolutionary algorithms (DMOEAs) either depend on learned models with nontrivial training cost or employ one-step population mapping, which may overlook the gradual nature of POS evolution. This paper proposes DD-DMOEA, a training-free diffusion-based dynamic response mechanism for DMOPs. The key idea is to treat the POS obtained in the previous environment as a "noisy" sample set and to guide its evolution toward the current POS through an analytically constructed multi-step denoising process. A knee-point-based auxiliary strategy is used to specify the target region in the new environment, and an explicit probability-density formulation is derived to compute the denoising update without neural training. To reduce the risk of misleading guidance caused by knee-point prediction errors, an uncertainty-aware scheme adaptively adjusts the guidance strength according to the historical prediction deviation. Experiments on the CEC2018 dynamic multiobjective benchmarks show that DD-DMOEA achieves competitive or better convergence-diversity performance and provides faster dynamic response than several state-of-the-art DMOEAs.
• Abstract（参考訳）: 動的多目的最適化問題(DMOP)は時間変化の目的を特徴としており、これはパレート最適解(POS)が時間とともにドリフトし、限られた応答時間の下で収束と多様性の両方を維持することが困難になる。 既存の予測に基づく動的多目的進化アルゴリズム(DMOEA)は、非自明な訓練コストの学習モデルに依存するか、POS進化の段階的な性質を無視する一段階の集団マッピングを採用する。 本稿では,DMOPのトレーニング自由拡散に基づく動的応答機構DD-DMOEAを提案する。 鍵となる考え方は、前の環境で得られたPOSを「ノイズの多い」サンプル集合として扱い、分析的に構築されたマルチステップの復調プロセスを通じて現在のPOSへの進化を導くことである。 膝点に基づく補助戦略を用いて、新しい環境における対象領域を特定するとともに、明示的な確率密度の定式化を導出し、ニューラルトレーニングを伴わない復調更新を演算する。 膝先予測誤差による誤解を招く誘導のリスクを低減するため、不確実性認識方式は、歴史的予測ずれに応じて誘導強度を適応的に調整する。 CEC2018の動的多目的ベンチマークの実験では、DD-DMOEAは競争力またはより良い収束-分散性能を達成し、いくつかの最先端DMOEAよりも高速な動的応答を提供する。

関連論文リスト

• IADD-TR: Intervention-Aware Dynamics Decoupling with Targeted Regularization for Model-Based Reinforcement Learning [57.16513298507272]
  IADD-TRは、IADD(Intervention-Aware Dynamics Decoupling)とTR(Targeted Regularization)を組み合わせた統合フレームワークである。 IADDは、ゼロアクションアンカーを用いて、アクション干渉段階とアクションフリー自然進化段階への遷移を分解し、堅牢な一般化のためにこの2段階の分解の非特異性を解決する。 政策学習においては,リプレイ状態の政策段階関数の効率的な影響関数からTRを導出する。
  論文  参考訳（メタデータ） (2026-08-11T08:20:02Z)
• Think2Go: Generative Next POI Recommendation with LLM Reasoning [57.37706163990998]
  Next Point-of-Interest (POI)レコメンデーションタスクは、ユーザの行動選好パターンを過去のチェックインからマイニングすることに焦点を当て、次の目的地へのパーソナライズされた提案を提供する。 既存の手法は、次のPOIを予測するために、浅いコンテキスト情報と手作りの特徴相互作用に依存している。 本稿では,SID表現の理解を深め,テスト時間計算による多様な時空間パターンを探索する新しい次世代POIレコメンデーションフレームワークThink2Goを提案する。
  論文  参考訳（メタデータ） (2026-07-31T03:52:20Z)
• Catching Every Ripple: Enhanced Anomaly Awareness via Dynamic Concept Adaptation [31.430600150357886]
  DyMETERはオンライン異常検出のための動的概念適応フレームワークである。 オンザフライパラメータシフトと動的しきい値設定を単一のオンラインパラダイム内で統一する。 DyMETERは、様々なアプリケーションシナリオで既存のOADアプローチを大幅に上回っています。
  論文  参考訳（メタデータ） (2026-04-16T07:37:59Z)
• AEGPO: Adaptive Entropy-Guided Policy Optimization for Diffusion Models [54.56296715999545]
  人間のフィードバックからの強化学習は、拡散とフローモデルの整合性を示す。 GRPOのような政策最適化手法は、非効率で静的なサンプリング戦略に悩まされている。 適応エントロピー誘導政策最適化(Adaptive Entropy-Guided Policy Optimization, AEGPO)を提案する。
  論文  参考訳（メタデータ） (2026-02-06T16:09:50Z)
• Model-Based Diffusion Sampling for Predictive Control in Offline Decision Making [48.998030470623384]
  オフラインの意思決定は、さらなるインタラクションを伴わずに、固定データセットからの信頼性の高い振る舞いを必要とする。 i)タスク整列軌道を多様に生成するプランナー,(ii)システム力学との整合性を強制するダイナミクスモデル,(iii)タスク目標に整合した動作を選択するランサーモジュールからなる構成モデルに基づく拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-09T06:26:02Z)
• Improving Multimodal Sentiment Analysis via Modality Optimization and Dynamic Primary Modality Selection [54.10252086842123]
  マルチモーダル・センティメント・アナリティクス(MSA)は、ビデオにおける言語、音響、視覚データから感情を予測することを目的としている。 本稿では,モーダリティ最適化と動的一次モーダリティ選択フレームワーク(MODS)を提案する。 4つのベンチマークデータセットの実験では、MODSが最先端の手法より優れていることが示されている。
  論文  参考訳（メタデータ） (2025-11-09T11:13:32Z)
• Predictive Coding-based Deep Neural Network Fine-tuning for Computationally Efficient Domain Adaptation [5.013248430919224]
  デバイス上でのドメイン適応を効率的に行うためのハイブリッドトレーニング手法を提案する。 この方法は、バックプロパゲーションを使用してオフラインでトレーニングされたディープニューラルネットワークから始まる。 予測符号化はオンライン適応に使用されており、入力データ分布の変化によって失われた精度を復元することができる。
  論文  参考訳（メタデータ） (2025-09-24T16:03:27Z)
• Adaptive Collocation Point Strategies For Physics Informed Neural Networks via the QR Discrete Empirical Interpolation Method [1.2289361708127877]
  物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)に関する前方および逆問題の解法として注目されている。 均一なランダムサンプリングや等間隔グリッドのような固定サンプリング手法は、高い解勾配を持つ臨界領域の捕捉に失敗し、複雑なPDEに対する有効性を制限できる。 QR-DEIM(QR Discrete Empirical Interpolation Method)を用いて,非線形関数を効率的に近似する低次モデリング手法を提案する。
  論文  参考訳（メタデータ） (2025-01-13T21:24:15Z)
• Optimization of geological carbon storage operations with multimodal latent dynamic model and deep reinforcement learning [1.8549313085249324]
  本稿では,高速フロー予測とGCSの制御最適化のためのディープラーニングフレームワークであるMLDモデルを紹介する。 既存のモデルとは異なり、MDDは多様な入力モダリティをサポートし、包括的なデータインタラクションを可能にする。 この手法は従来の手法よりも優れており、計算資源を60%以上削減し、最も高いNPVを達成する。
  論文  参考訳（メタデータ） (2024-06-07T01:30:21Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Dynamic ensemble selection based on Deep Neural Network Uncertainty Estimation for Adversarial Robustness [7.158144011836533]
  本研究では,動的アンサンブル選択技術を用いてモデルレベルの動的特性について検討する。 トレーニング段階では、ディリクレ分布はサブモデルの予測分布の先行として適用され、パラメータ空間における多様性制約が導入された。 テストフェーズでは、最終的な予測のための不確かさ値のランクに基づいて、特定のサブモデルが動的に選択される。
  論文  参考訳（メタデータ） (2023-08-01T07:41:41Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)

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。