論文の概要: Diversity-Driven Offline Multi-Objective Optimization via Nested Pareto Set Learning

• arxiv url: http://arxiv.org/abs/2606.15115v1
• Date: Sat, 13 Jun 2026 05:09:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:32.855345
• Title: Diversity-Driven Offline Multi-Objective Optimization via Nested Pareto Set Learning
• Title（参考訳）: Nested Pareto Set Learningによる多様性駆動型オフライン多目的最適化
• Authors: Yiyi Zhu, Yaolin Wen, Xiang Xia, Xin An, Hanyi Si, Xiang Shu, Yangde Fu, Liang Dou, Hong Qian,
• Abstract要約: 多目的最適化(MOO)は、複数の目的を含む複雑な最適化問題を解くための強力なアプローチとして登場した。 本稿では多様性駆動型オフライン多目的最適化(DOMOO)を提案する。 合成および実世界のベンチマークの実験は、DOMOOが収束と多様性の両方においてタスクの平均ランクを達成していることを示している。
• 参考スコア（独自算出の注目度）: 11.1141573484419
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-objective optimization (MOO) has emerged as a powerful approach to solving complex optimization problems involving multiple objectives. In many practical scenarios, function evaluations are unavailable or prohibitively expensive, necessitating optimization solely based on a fixed offline dataset. In this setting, known as offline MOO, the goal is to find out the Pareto set without access to the true objective functions. This setting suffers from the out-of-distribution (OOD) issue, where the surrogate model is not accurate for unseen designs. Due to the OOD issue, surrogate errors may cause the optimizer to select solutions that do not lie on the true Pareto front and are biased toward its extremes. To address this, this paper proposes Diversity-driven Offline Multi-Objective Optimization (DOMOO), which aims to find out a diverse and high-quality set of solutions. First, DOMOO incorporates an accumulative risk control module that estimates the potential risk of candidate solutions and alleviates the OOD issue between the training data and the generated solutions. In addition, a nested Pareto set learning (PSL) strategy is proposed to jointly learn preference and PSL parameters, then optimize them, enabling adaptation to diverse Pareto front geometries. To further enhance solution quality, we design a diversity-driven selection strategy that extracts a representative and well-distributed set of final solutions. To achieve this diversity-driven selection strategy, we propose $\text{IGD}_\text{offline}$, a tailored indicator for the offline setting that considers both diversity and convergence, and avoids the bias of hypervolume indicator. Extensive experiments on synthetic and real-world benchmarks show that DOMOO achieves the best average rank across tasks in both convergence and diversity among the compared methods.
• Abstract（参考訳）: 多目的最適化(MOO)は、複数の目的を含む複雑な最適化問題を解くための強力なアプローチとして登場した。 多くの現実的なシナリオでは、関数評価は利用できないか、あるいは不当に高価であり、固定されたオフラインデータセットのみに基づいて最適化を必要とする。 オフラインMOOとして知られるこの設定では、真の目的関数にアクセスせずにPareto集合を見つけることがゴールである。 この設定は、サロゲートモデルが目に見えない設計では正確でない、アウト・オブ・ディストリビューション(OOD)の問題に悩まされている。 OOD問題により、シュロゲートエラーにより、オプティマイザは真のパレート前面にはない解を選択でき、極端に偏っている。 そこで本研究では,多種多目的最適化(DOMOO, Diversity-driven Offline Multi-Objective Optimization)を提案する。 まず、DOMOOは累積リスク制御モジュールを組み込んで、候補ソリューションの潜在的なリスクを推定し、トレーニングデータと生成されたソリューション間のOOD問題を緩和する。 さらに、ネストされたPareto集合学習(PSL)戦略を提案し、好みとPSLパラメータを共同で学習し、最適化し、多様なParetoフロントジオメトリへの適応を可能にする。 ソリューションの質をさらに高めるために、我々は、代表的でよく分散された最終ソリューションの集合を抽出する多様性駆動の選択戦略を設計する。 多様性と収束性の両方を考慮したオフライン設定のための調整された指標である$\text{IGD}_\text{offline}$を提案し,超体積指標のバイアスを回避する。 合成および実世界のベンチマークに関する大規模な実験により、DOMOOは比較した手法の収束と多様性の両方において、タスク全体で最高の平均ランクを達成することが示された。

関連論文リスト

• Joint Optimization of Training and Inference in Federated Edge Learning via Constrained Multi-Objective Deep Reinforcement Learning [9.37821062000313]
  エッジインテリジェンス(EI)を実現するための有望なパラダイムとしてFederated Edge Learning(FEEL)が登場した。 リソース制約のあるエッジデバイス上でのフェデレーショントレーニングと推論を共同で管理する,オンライン最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T14:51:07Z)
• Do We Really Need to Approach the Entire Pareto Front in Many-Objective Bayesian Optimisation? [10.970091142734603]
  多目的最適化は、3つ以上の目的を持つ最適化問題を含む。 目的の数が増加するにつれて、パレートフロント全体を適切に表現するために必要な解の数が大幅に増加する。 本稿では、目的間の良好なトレードオフをもたらす方向に沿って、解の質を向上させることを目的とした、アンダーラインポイントに基づくアンダーラインマルチアンダーラインオブジェクティブ検索フレームワーク(SPMO)を提案する。
  論文  参考訳（メタデータ） (2026-04-10T15:27:49Z)
• Preference-Guided Diffusion for Multi-Objective Offline Optimization [64.08326521234228]
  オフライン多目的最適化のための優先誘導拡散モデルを提案する。 我々の指導は、ある設計が他の設計を支配する確率を予測するために訓練された選好モデルである。 本結果は,多種多様な高品質な解を生成する上での分類器誘導拡散モデルの有効性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-03-21T16:49:38Z)
• Self-Improvement Towards Pareto Optimality: Mitigating Preference Conflicts in Multi-Objective Alignment [74.25832963097658]
  マルチオブジェクトアライメント(MOA)は、応答を複数の人間の嗜好目標に合わせることを目的としている。 DPOをベースとしたMOAアプローチは、データに広範囲にわたる優先的対立に悩まされている。
  論文  参考訳（メタデータ） (2025-02-20T08:27:00Z)
• Preference-Optimized Pareto Set Learning for Blackbox Optimization [1.9628841617148691]
  すべての目的を同時に最適化できる単一のソリューションはありません。 典型的なMOO問題では、目的間の好みを交換する最適解(パレート集合)を見つけることが目的である。 我々の定式化は、例えば微分可能なクロスエントロピー法によって解決できる二段階最適化問題につながる。
  論文  参考訳（メタデータ） (2024-08-19T13:23:07Z)
• Controllable Preference Optimization: Toward Controllable Multi-Objective Alignment [103.12563033438715]
  人工知能におけるアライメントは、モデル応答と人間の好みと値の一貫性を追求する。 既存のアライメント技術は、主に一方向であり、様々な目的に対して、最適以下のトレードオフと柔軟性の低下につながる。 制御可能な選好最適化(CPO)を導入し、異なる目的に対する選好スコアを明確に指定する。
  論文  参考訳（メタデータ） (2024-02-29T12:12:30Z)
• Multi-Objective Bayesian Optimization with Active Preference Learning [18.066263838953223]
  本稿では,多目的最適化 (MOO) 問題において最も望ましい解を特定するためのベイズ最適化 (BO) 手法を提案する。 また、意思決定者(DM)との相互作用コストを最小限に抑えるため、選好推定のためのアクティブラーニング戦略を提案する。
  論文  参考訳（メタデータ） (2023-11-22T15:24:36Z)
• Beyond One-Preference-Fits-All Alignment: Multi-Objective Direct Preference Optimization [76.09576643028362]
  複数のアライメント目的に対してMODPO(Multi-Objective Direct Preference Optimization)を提案する。 MODPOは、言語モデリングを直接報酬モデルに折り畳み、暗黙の集団報酬モデルとして言語モデルを訓練する。 理論的には MORLHF と同じ最適解が得られるが、実質的にはより安定で効率的である。
  論文  参考訳（メタデータ） (2023-10-05T17:35:26Z)
• 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)

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。