論文の概要: Mapping the Fitness Landscape: A Structure-Guided Approach to Multi-Modal Optimization
- arxiv url: http://arxiv.org/abs/2605.18351v1
- Date: Mon, 18 May 2026 13:08:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:49.618561
- Title: Mapping the Fitness Landscape: A Structure-Guided Approach to Multi-Modal Optimization
- Title（参考訳）: フィティランドスケープのマッピング:マルチモーダル最適化のための構造ガイドによるアプローチ
- Authors: Meng Xiang, Pei Yan,
- Abstract要約: マルチモーダル最適化は、単に多様な人口を維持するのではなく、多くの最適化を見つける必要がある。
ほとんどのニッチベースの進化的アルゴリズムは、基礎となるピーク-ベース組織を明示的に回復することなく、距離や密度推定器に依存している。
本稿では,マルチモーダル検索をデコード-値-アロケート-リファインの閉ループに変換する,決定空間中心のフレームワークであるChaotic Landscape-Decoding Evolution (CLDE)を紹介する。
- 参考スコア（独自算出の注目度）: 3.802907024025868
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multimodal optimization requires finding many optima rather than merely keeping a diverse population. Yet most niching-based evolutionary algorithms rely on distances or density estimators without explicitly recovering the underlying peak--basin organization in the decision space, which can lead to pseudo-multimodality: many distinct individuals ultimately collapse into only a few basins. We introduce Chaotic Landscape-Decoding Evolution (CLDE), a decision-space-centric framework that turns multimodal search into a closed loop of decode--value--allocate--refine. CLDE injects controlled global exploration via a logistic chaotic map with a decaying step size, then builds a $k$-nearest-neighbor graph on a decoding canvas and performs persistence-guided basin growing that merges peaks only when they are not separated by deep valleys. An adaptive persistence threshold continuously tunes the decoding resolution online to avoid over-fragmentation and over-merging. Guided by the decoded structure, CLDE carries out basin-wise selection and refinement to improve solution quality while preserving basin coverage. We instantiate CLDE as CLDE-S and CLDE-M for single- and multi-objective multimodal optimization. Experiments on 20 CEC2013 functions show that CLDE-S achieves strong peak ratio under the same evaluation budget, while on DTLZ and MMMOP suites CLDE-M attains competitive IGD/IGDx, with pronounced gains on strongly multimodal problems.
- Abstract（参考訳）: マルチモーダル最適化は、単に多様な人口を維持するのではなく、多くの最適化を見つける必要がある。
しかし、ほとんどのニッチベースの進化アルゴリズムは、決定空間の基盤となる基底構造を明示的に回復することなく距離や密度推定器に依存しており、これは擬似多重性をもたらす可能性がある。
本稿では,マルチモーダル検索をデコード--値--位置--の閉ループに変換する決定空間中心のフレームワークであるChaotic Landscape-Decoding Evolution (CLDE)を紹介する。
CLDEは、崩壊するステップサイズを持つロジスティックカオスマップを通じて制御されたグローバル探索を注入し、デコードキャンバス上に$k$-nearest-neighborグラフを構築し、深い谷に分離されていない場合にのみ、マージする永続誘導盆地を成長させる。
適応的な永続しきい値は、オーバーフラグメンテーションやオーバーマージを避けるために、デコード解決をオンラインで継続的に調整する。
このデコード構造で導かれたCLDEは、流域被覆を保ちながら、溶液品質を向上させるため、流域選択と改良を行う。
CLDE を CLDE-S と CLDE-M としてインスタンス化する。
20個のCEC2013関数の実験では、CLDE-Sは同じ評価予算の下で強いピーク比を達成する一方、DTLZとMMMOPスイートでは、CLDE-Mは強力なマルチモーダル問題に顕著な利得を持つ競合IGD/IGDxを実現する。
関連論文リスト
- Optimizer-Induced Mode Connectivity: From AdamW to Muon [50.258866851760416]
我々は、Lion-$mathcalK$ファミリー内の1つのAdamW、Muon、その他からの解が、十分に大きな幅で連結集合を形成することを示す。
広帯域では2つの異なる領域が正則化に応じて解離または重なり合うことができる。
論文 参考訳（メタデータ） (2026-05-11T05:07:36Z) - Multinoulli Extension: A Lossless Continuous Relaxation for Partition-Constrained Subset Selection [60.07018090570548]
我々はパラメータフリーで、歪んだ局所探索法と同じ近似保証を実現できるMultinoulliSCGという新しいアルゴリズムを導入する。
また、分割制約に関する未探索オンラインサブセット選択問題に対して、Multinoulli-CGとMultinoulli-GAGAという2つの新しいオンラインアルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-03-23T02:30:01Z) - Multi-Objective Evolutionary Optimization of Chance-Constrained Multiple-Choice Knapsack Problems with Implicit Probability Distributions [40.96538452098451]
本稿では,Multiple-choice knapsack problem (MCKP) の重要かつ未解明な拡張について検討する。
問題の目標は、総コストを同時に最小化し、キャパシティ制約を満たす信頼性レベルを最大化することである。
合成ベンチマークと実世界の5Gネットワーク構成ベンチマークの実験は、NHILSがいくつかの最先端のマルチオブジェクトを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2026-03-09T10:39:58Z) - BAMBO: Construct Ability and Efficiency LLM Pareto Set via Bayesian Adaptive Multi-objective Block-wise Optimization [4.196004665145396]
BAMBO(Bayesian Adaptive Multi-objective Block-wise Optimization)は、大規模言語モデル(LLM)を自動的に構築する新しいフレームワークである。
1次元クラスタリング問題として定式化されたこの戦略は、動的プログラミング手法を利用してブロック内およびブロック間情報の分散を最適にバランスさせる。
論文 参考訳（メタデータ） (2025-12-10T15:32:56Z) - Amplifying Prominent Representations in Multimodal Learning via Variational Dirichlet Process [55.91649771370862]
ディリクレ過程(DP)混合モデルは、最も顕著な特徴を増幅できる強力な非パラメトリック法である。
本稿では,DP駆動型マルチモーダル学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-23T16:53:24Z) - Continual Multimodal Contrastive Learning [99.53621521696051]
MCL(Multimodal Contrastive Learning)は、異なるモダリティを整列し、関節空間におけるマルチモーダル表現を生成する。
マルチモーダルデータは単一のプロセスで収集されることはめったになく、スクラッチからのトレーニングは計算コストがかかる。
本稿では, 安定性と塑性の2つの原理によりCMCLを定式化する。
理論的には、二辺から部分空間への勾配の更新を計画する、新しい最適化に基づく手法を導出する。
論文 参考訳（メタデータ） (2025-03-19T07:57:08Z) - Cascading CMA-ES Instances for Generating Input-diverse Solution Batches [1.932871350415445]
ポストホックなユーザの好みに合わせて柔軟性を提供するため、高品質の多様なソリューションのバッチを目指すことが望ましい場合が多い。
本稿では,共分散行列適応進化戦略(CMA-ES)の並列実行をカスケード方式でタブ領域を継承する手法を提案する。
我々は,CMA-ES-Diversity Search (CMA-ES-DS)アルゴリズムが与えられた最小距離要件を尊重する高品質な解バッチを抽出できるトラジェクトリを生成することを実証的に実証した。
論文 参考訳（メタデータ） (2025-02-19T13:55:51Z) - 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) - BOtied: Multi-objective Bayesian optimization with tied multivariate ranks [33.414682601242006]
本稿では,非支配解と結合累積分布関数の極端量子化との自然な関係を示す。
このリンクにより、我々はPareto対応CDFインジケータと関連する取得関数BOtiedを提案する。
種々の合成および実世界の問題に対する実験により,BOtied は最先端MOBO 取得関数より優れていることが示された。
論文 参考訳（メタデータ） (2023-06-01T04:50:06Z) - STRIDE along Spectrahedral Vertices for Solving Large-Scale Rank-One
Semidefinite Relaxations [27.353023427198806]
我々は、制約のない最適化問題(POP)の高次半定値プログラミング緩和を考察する。
POPから独立してSDPを解く既存のアプローチは、そのようなSDPの典型的な非エネルギー性のため、大きな問題にスケールできないか、あるいは緩やかな収束に苦しむことができない。
我々は SpecTrahedral vErtices (STRIDE) と呼ばれる新しいアルゴリズムフレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-28T18:07:16Z)
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。