論文の概要: Finding Sets of Pareto Sets in Real-World Scenarios -- A Multitask Multiobjective Perspective
- arxiv url: http://arxiv.org/abs/2604.03570v1
- Date: Sat, 04 Apr 2026 03:39:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:18.646765
- Title: Finding Sets of Pareto Sets in Real-World Scenarios -- A Multitask Multiobjective Perspective
- Title（参考訳）: 実世界シナリオにおけるパレート集合の探索-マルチタスク多目的視点
- Authors: Jiao Liu, Yew Soon Ong, Melvin Wong,
- Abstract要約: 進化的マルチタスクは、機械学習モデルのための一連のParetoセット(SOS)を生成するために使用されている。
実世界の3つの問題に焦点をあて、多様な領域にわたるSOS概念の汎用性と適用性を実証する。
本稿では, 実測値の開発を補完する, 決定空間と目的空間の両方で生成したSOSの可視化について述べる。
- 参考スコア（独自算出の注目度）: 35.96111940830105
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, evolutionary multitasking has been employed to generate a ``set of Pareto sets" (SOS) for machine learning models, addressing diverse task settings across heterogeneous environments. This involves creating a repository of compact, specialized solution models that are collectively tailored to each specific task setting and environment, enabling users to select the most suitable model based on particular specifications and preferences. In this paper, we further demonstrate the versatility and applicability of the SOS concept across diverse domains, focusing on three real-world problems: engineering design problems, inventory management problems, and hyperparameter optimization problems. Additionally, as evolutionary multitasking has proven effective in generating the SOS, we investigate the performance of current evolutionary multitasking methods on these real-world problems. Subsequently, we present visualizations of the generated SOS in both decision and objective spaces, complemented by the development of a measurement to gauge the similarity between different Pareto sets corresponding to diverse tasks. Finally, we show that by systematically examining the shifts in Pareto optimal designs across different task settings though the SOS solutions, users can gain deeper understandings on the dynamic interplay between design solutions and their performance in different settings or contexts.
- Abstract（参考訳）: 近年、進化的マルチタスキングを用いて機械学習モデルのための「Pareto集合のセット」(SOS)を生成し、異種環境にまたがる多様なタスク設定に対処している。
これは、各特定のタスク設定と環境に合わせた、コンパクトで特殊なソリューションモデルのリポジトリを作成することを含み、ユーザーは特定の仕様と好みに基づいて最も適切なモデルを選択することができる。
本稿では,SOS の概念の汎用性と適用性を,工学設計問題,在庫管理問題,ハイパーパラメータ最適化問題という3つの現実問題に焦点をあてる。
さらに、進化的マルチタスクがSOSの生成に有効であることが証明されたので、これらの実世界の問題に対する現在の進化的マルチタスク手法の性能について検討する。
次に,多種多様なタスクに対応するパレート集合間の類似度を計測する計測器の開発によって,生成したSOSを,決定空間と目的空間の両方で可視化する。
最後に、SOSソリューションは異なるタスク設定におけるPareto最適設計の変化を体系的に調べることで、設計ソリューションと異なる設定やコンテキストにおけるパフォーマンスの間の動的相互作用についてより深く理解することができることを示す。
関連論文リスト
- Task-Aware Harmony Multi-Task Decision Transformer for Offline Reinforcement Learning [70.96345405979179]
オフラインマルチタスク強化学習(MTRL)の目的は、オンライン環境相互作用を必要とせず、多様なタスクに適用可能な統一されたポリシーを開発することである。
タスクの内容と複雑さの変化は、政策の定式化において重大な課題を引き起こします。
本稿では,各タスクに対するパラメータの最適な調和部分空間を特定するための新しいソリューションであるHarmoDT(Harmony Multi-Task Decision Transformer)を紹介する。
論文 参考訳（メタデータ） (2024-11-02T05:49:14Z) - All-in-One Image Coding for Joint Human-Machine Vision with Multi-Path Aggregation [28.62276713652864]
我々は,人間の共同ビジョンのための既存の符号化モデルにMPA(Multi-Path Aggregation)を統合することを提案する。
MPAはタスク固有のパスに遅延特徴を割り当てるために予測器を使用する。
MPAはタスク特化最適化と多目的最適化の両方において最先端の手法に匹敵する性能を達成する。
論文 参考訳（メタデータ） (2024-09-29T11:14:21Z) - Towards Multi-Objective High-Dimensional Feature Selection via
Evolutionary Multitasking [63.91518180604101]
本稿では,高次元特徴選択問題,すなわちMO-FSEMTのための新しいEMTフレームワークを開発する。
タスク固有の知識伝達機構は、各タスクの利点情報を活用するように設計され、高品質なソリューションの発見と効果的な伝達を可能にする。
論文 参考訳（メタデータ） (2024-01-03T06:34:39Z) - InvPT++: Inverted Pyramid Multi-Task Transformer for Visual Scene
Understanding [11.608682595506354]
マルチタスクシーン理解は、複数のシーン理解タスクを1つの多目的モデルで同時に予測できるモデルを設計することを目的としている。
従来の研究は通常、より局所的な方法でマルチタスクの特徴を処理するため、空間的にグローバルな相互作用とクロスタスクの相互作用を効果的に学習することはできない。
異なるタスクの空間的特徴間の相互タスク相互作用をグローバルな文脈でモデル化できる逆ピラミッドマルチタスク変換器を提案する。
論文 参考訳（メタデータ） (2023-06-08T00:28:22Z) - Pareto Manifold Learning: Tackling multiple tasks via ensembles of
single-task models [50.33956216274694]
マルチタスク学習(MTL)では、タスクは、ソリューションへの最適化を導くのではなく、互いに達成したパフォーマンスを競い、制限することができる。
重み空間におけるアンサンブル手法であるTextitPareto Manifold Learningを提案する。
論文 参考訳（メタデータ） (2022-10-18T11:20:54Z) - Exploring Relational Context for Multi-Task Dense Prediction [76.86090370115]
我々は,共通バックボーンと独立タスク固有のヘッドで表される,密集予測タスクのためのマルチタスク環境を考える。
マルチタスク設定では,グローバルやローカルなど,さまざまな注意に基づくコンテキストを探索する。
タスクペアごとに利用可能なすべてのコンテキストのプールをサンプリングするAdaptive Task-Relational Contextモジュールを提案する。
論文 参考訳（メタデータ） (2021-04-28T16:45:56Z) - Efficient Continuous Pareto Exploration in Multi-Task Learning [34.41682709915956]
本稿では,機械学習問題における最適解の連続解析手法を提案する。
サンプルベーススパース線形システムを提案することにより、現代の機械学習問題に対する多目的最適化の理論結果をスケールアップする。
論文 参考訳（メタデータ） (2020-06-29T23:36:20Z) - Pareto Multi-Task Learning [53.90732663046125]
マルチタスク学習は複数の相関タスクを同時に解くための強力な方法である。
異なるタスクが互いに衝突する可能性があるため、すべてのタスクを最適化するひとつのソリューションを見つけることは、しばしば不可能である。
近年,マルチタスク学習を多目的最適化として活用することにより,タスク間のトレードオフが良好である1つのパレート最適解を求める方法が提案されている。
論文 参考訳（メタデータ） (2019-12-30T08:58:40Z)
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。