論文の概要: A Decoupled Basis-Vector-Driven Generative Framework for Dynamic Multi-Objective Optimization

• arxiv url: http://arxiv.org/abs/2604.00508v1
• Date: Wed, 01 Apr 2026 05:47:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.853055
• Title: A Decoupled Basis-Vector-Driven Generative Framework for Dynamic Multi-Objective Optimization
• Title（参考訳）: 動的多目的最適化のための分離バスベクトル駆動生成フレームワーク
• Authors: Yaoming Yang, Shuai Wang, Bingdong Li, Peng Yang, Ke Tang,
• Abstract要約: 本稿では,動的多目的最適化のためのベースベクトル駆動型生成フレームワーク(DB-GEN)を提案する。 非線形結合、時代遅れの歴史的データからの負の転送、および環境スイッチ時のコールドスタート問題に対処する。 実験の結果、DB-GENは既存のアルゴリズムと比較して、様々な動的ベンチマークにおけるトラッキング精度を向上させることが示された。
• 参考スコア（独自算出の注目度）: 13.136405879524856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic multi-objective optimization requires continuous tracking of moving Pareto fronts. Existing methods struggle with irregular mutations and data sparsity, primarily facing three challenges: the non-linear coupling of dynamic modes, negative transfer from outdated historical data, and the cold-start problem during environmental switches. To address these issues, this paper proposes a decoupled basis-vector-driven generative framework (DB-GEN). First, to resolve non-linear coupling, the framework employs the discrete wavelet transform to separate evolutionary trajectories into low-frequency trends and high-frequency details. Second, to mitigate negative transfer, it learns transferable basis vectors via sparse dictionary learning rather than directly memorizing historical instances. Recomposing these bases under a topology-aware contrastive constraint constructs a structured latent manifold. Finally, to overcome the cold-start problem, a surrogate-assisted search paradigm samples initial populations from this manifold. Pre-trained on 120 million solutions, DB-GEN performs direct online inference without retraining or fine-tuning. This zero-shot generation process executes in milliseconds, requiring approximately 0.2 seconds per environmental change. Experimental results demonstrate that DB-GEN improves tracking accuracy across various dynamic benchmarks compared to existing algorithms.
• Abstract（参考訳）: 動的多目的最適化はパレートフロントの連続的な追跡を必要とする。 既存の手法は不規則な突然変異やデータの分散に苦しむが、主に動的モードの非線形結合、時代遅れの履歴データからの負の移動、環境スイッチ時のコールドスタート問題という3つの課題に直面している。 これらの課題に対処するため,本稿では,DB-GENを分離したベースベクタ駆動型生成フレームワークを提案する。 まず、非線形結合を解決するために、このフレームワークは離散ウェーブレット変換を用いて、進化軌道を低周波数トレンドと高周波詳細に分離する。 第二に、負の転送を緩和するために、歴史的なインスタンスを直接記憶するのではなく、スパース辞書学習を通じて転送可能な基底ベクトルを学習する。 位相対応の対照的な制約の下でこれらの基底を補足することは、構造化潜在多様体を構成する。 最後に、冷間開始問題を克服するために、代理支援探索パラダイムがこの多様体から初期集団をサンプリングする。 1億2000万のソリューションで事前トレーニングされたDB-GENは、トレーニングや微調整なしで直接オンライン推論を行う。 このゼロショット生成プロセスはミリ秒で実行され、環境変化に約0.2秒を要する。 実験の結果、DB-GENは既存のアルゴリズムと比較して、様々な動的ベンチマークにおけるトラッキング精度を向上させることが示された。

関連論文リスト

• Unsupervised Online 3D Instance Segmentation with Synthetic Sequences and Dynamic Loss [52.28880405119483]
  教師なしのオンライン3Dインスタンスのセグメンテーションは、基本的だが難しい課題だ。 UNITのような既存の手法はこの方向に進んできたが、訓練の多様性が制限されているままである。 本稿では,合成点雲列生成によるトレーニング分布の強化を目的とした新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-27T08:53:27Z)
• A Scalable Pretraining Framework for Link Prediction with Efficient Adaptation [16.82426251068573]
  リンク予測(LP)は、グラフ機械学習において重要なタスクである。 既存の手法は、疎結合性からの限られた監督を含む重要な課題に直面している。 これらの課題に対処するためのソリューションとして,事前学習について検討する。
  論文  参考訳（メタデータ） (2025-08-06T17:10:31Z)
• Tilt your Head: Activating the Hidden Spatial-Invariance of Classifiers [0.7704032792820767]
  ディープニューラルネットワークは、日々の生活の多くの領域に適用されている。 これらは、空間的に変換された入力信号に頑健に対処するなど、依然として必須の能力が欠如している。 本稿では,ニューラルネットの推論過程をエミュレートする新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-05-06T09:47:29Z)
• Online Boosting Adaptive Learning under Concept Drift for Multistream Classification [34.64751041290346]
  マルチストリーム分類は,コンセプトドリフトを伴う動的ストリーミングプロセスにおいて,迅速な適応の必要性から,重要な課題となっている。 本稿では,異なるストリーム間の動的相関を適応的に学習する新しいオンラインブースティング適応学習法を提案する。
  論文  参考訳（メタデータ） (2023-12-17T23:10:39Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• ACDC: Online Unsupervised Cross-Domain Adaptation [15.72925931271688]
  本稿では,非教師付きドメイン適応フレームワークであるACDCを提案する。 ACDCは3つのモジュールを単一のモデルにカプセル化している。特徴を抽出する自動エンコーダ、ドメイン変換を実行する対向モジュール、ソースストリームを学習してターゲットストリームを予測する推定器である。 実験の結果, 基準法よりも目標精度が向上し, 場合によっては10%以上の増加が見られた。
  論文  参考訳（メタデータ） (2021-10-04T11:08:32Z)

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。