論文の概要: Multi-Task Optimization over Networks of Tasks

• arxiv url: http://arxiv.org/abs/2604.21991v1
• Date: Thu, 23 Apr 2026 18:18:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.229995
• Title: Multi-Task Optimization over Networks of Tasks
• Title（参考訳）: タスクのネットワーク上でのマルチタスク最適化
• Authors: Julian Hatzky, Thomas Bartz-Beielstein, A. E. Eiben, Anil Yaman,
• Abstract要約: タスク空間をグラフとしてモデル化するマルチタスク最適化アルゴリズムであるMONETを紹介する。 ソーシャルラーニングは、クロスオーバーを通じて近隣ノードから候補を生成し、個々のラーニングにより、突然変異によってノード自身のソリューションを独立して洗練する。 既存のMAP-Elitesベースのベースラインが4つのドメインすべてにまたがって,MONETが一致しているか,あるいは上回っていることを示す。
• 参考スコア（独自算出の注目度）: 1.7499351967216341
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-task optimization is a powerful approach for solving a large number of tasks in parallel. However, existing algorithms face distinct limitations: Population-based methods scale poorly and remain underexplored for large task sets. Approaches that do scale beyond a thousand tasks are mostly MAP-Elites variants and rely on a fixed, discretized archive that disregards the topology of the task space. We introduce MONET (Multi-Task Optimization over Networks of Tasks), a multi-task optimization algorithm that models the task space as a graph: tasks are nodes, and edges connect tasks in the task parameter space. This representation enables knowledge transfer between tasks and remains tractable for high-dimensional problems while exploiting the topology of the task space. MONET combines social learning, which generates candidates from neighboring nodes via crossover, with individual learning, which refines a node's own solution independently via mutation. We evaluate MONET on four domains (archery, arm, and cartpole with 5,000 tasks each; hexapod with 2,000 tasks) and show that it matches or exceeds the performance of existing MAP-Elites-based baselines across all four domains.
• Abstract（参考訳）: マルチタスク最適化は、多数のタスクを並列に解くための強力なアプローチである。 しかし、既存のアルゴリズムは異なる制限に直面している。 千のタスクを超えてスケールするアプローチは、主にMAP-Elitesの変種であり、タスク空間のトポロジを無視した固定された離散化されたアーカイブに依存している。 タスク空間をグラフとしてモデル化するマルチタスク最適化アルゴリズムであるMONET(Multi-Task Optimization over Networks of Tasks)を導入し、タスクはノードであり、エッジはタスクパラメータ空間内のタスクを接続する。 この表現は、タスク間の知識伝達を可能にし、タスク空間のトポロジを活用しながら、高次元問題に対して抽出可能なままである。 MONETは、交叉を通じて隣接するノードから候補を生成するソーシャルラーニングと、個々のラーニングを組み合わせることで、突然変異によってノード自身のソリューションを独立して洗練する。 我々は,MONETを4つのドメイン(アーキテクチャ,アーム,カーゴポール,ヘキサポッド,2,000タスク)で評価し,既存のMAP-Elitesベースラインの4つのドメインにまたがるパフォーマンスに適合しているか,あるいは上回っていることを示す。

関連論文リスト

• Parametric-Task MAP-Elites [3.499042782396682]
  Parametric-Task MAP-Elites (PT-ME) は連続マルチタスク最適化問題に対する新しいブラックボックスアルゴリズムである。 PT-ME は2つのパラメトリックタスクの玩具問題に対する深層強化学習アルゴリズム PPO やシミュレーションにおけるロボット問題など,すべてのベースラインより優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-02T10:04:29Z)
• Cross-Task Affinity Learning for Multitask Dense Scene Predictions [5.939164722752263]
  マルチタスク学習(MTL)は,複数のタスクを同時に予測する能力で注目されている。 マルチタスクネットワークにおけるタスク改善を強化する軽量フレームワークであるクロスタスク親和性学習(CTAL)モジュールを紹介する。 以上の結果から,CNNとトランスフォーマーの両バックボーンに対して,シングルタスク学習よりもはるかに少ないパラメータを用いて,最先端のMTL性能を実証した。
  論文  参考訳（メタデータ） (2024-01-20T05:31:47Z)
• FAMO: Fast Adaptive Multitask Optimization [48.59232177073481]
  本稿では,動的重み付け手法であるFast Adaptive Multitask Optimization FAMOを導入する。 この結果から,FAMOは最先端の勾配操作技術に匹敵する,あるいは優れた性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-06-06T15:39:54Z)
• Neural Architecture Search From Fr\'echet Task Distance [50.9995960884133]
  与えられたベースラインタスクのセット内の対象タスクと各タスクの間の距離を、ターゲットタスクのニューラルネットワークアーキテクチャ検索スペースを減らすためにどのように使用できるかを示す。 タスク固有のアーキテクチャに対する検索空間の複雑さの低減は、このサイド情報を用いることなく完全な検索を行う代わりに、類似したタスクのために最適化されたアーキテクチャ上に構築することで達成される。
  論文  参考訳（メタデータ） (2021-03-23T20:43:31Z)
• HyperGrid: Efficient Multi-Task Transformers with Grid-wise Decomposable Hyper Projections [96.64246471034195]
  我々は,マルチタスク学習を効果的に行う新しいアプローチであるtextscHyperGridを提案する。 本手法は,微調整とマルチタスク学習のギャップを埋めるのに役立つ。
  論文  参考訳（メタデータ） (2020-07-12T02:49:16Z)
• Attentive Feature Reuse for Multi Task Meta learning [17.8055398673228]
  複数のタスクの同時学習のための新しいアルゴリズムを開発した。 本稿では,タスク毎に動的にネットワークを専門化するためのアテンション機構を提案する。 提案手法は,従来は目に見えなかった新しい環境における性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-12T19:33:11Z)
• Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal Constraints [52.58352707495122]
  本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。 都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
  論文  参考訳（メタデータ） (2020-05-27T01:10:41Z)
• MTL-NAS: Task-Agnostic Neural Architecture Search towards General-Purpose Multi-Task Learning [71.90902837008278]
  汎用マルチタスク学習(GP-MTL)にニューラルアーキテクチャサーチ(NAS)を導入することを提案する。 異なるタスクの組み合わせに対応するため、GP-MTLネットワークを単一タスクのバックボーンに分割する。 また,探索されたアーキテクチャ間の性能ギャップを埋める単一ショット勾配に基づく探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-31T09:49:14Z)
• Quality Diversity for Multi-task Optimization [4.061135251278186]
  本稿では,マルチタスクMAP-Elitesと呼ばれるMAP-Elitesアルゴリズムの拡張を提案する。 擬似パラメータ化された平面アーム(10次元探索空間、5000タスク)と、異なる長さの脚を持つ擬似6脚ロボット(36次元探索空間、2000タスク)で評価する。
  論文  参考訳（メタデータ） (2020-03-09T20:48:07Z)

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。