論文の概要: Effects of Objective Normalization on Regions of Interest in Preference-Based Evolutionary Multi-Objective Optimization

• arxiv url: http://arxiv.org/abs/2606.16382v1
• Date: Mon, 15 Jun 2026 08:15:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 18:36:05.044985
• Title: Effects of Objective Normalization on Regions of Interest in Preference-Based Evolutionary Multi-Objective Optimization
• Title（参考訳）: 主観的進化的多目的最適化における対象正規化が関心領域に及ぼす影響
• Abstract要約: EMOコミュニティでは、非正規化対象空間でROIを定義するか、正規化対象空間でROIを定義するかは標準化されていない。 本稿では、非正規化および正規化対象空間で定義される2つのROIが、異なるスケールの目的を持つ問題に対して著しく異なることを示す。 非正規化対象空間で定義されるROIは、正規化対象空間で定義されるROIよりもはるかに容易に近似できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Preference-based evolutionary multi-objective optimization (PBEMO) aims to approximate a region of interest (ROI) defined by the preference information from a decision maker (DM). Although objective functions in real-world applications typically have different scales, the issue of how to define the ROI in such problems has been overlooked in the literature. In fact, it has not been standardized in the EMO community whether the ROI should be defined in the unnormalized objective space or in the normalized objective space. In this context, this paper investigates the effects of objective normalization on ROIs. First, this paper shows that two ROIs defined in the unnormalized and normalized objective spaces can differ significantly for problems with differently scaled objectives. Then, we demonstrate that ROIs defined in the normalized objective space are highly difficult to approximate even on problems with equally scaled objectives because of poor approximations of the ideal and nadir points. In contrast, we show that ROIs defined in the unnormalized objective space are much easier to approximate than those defined in the normalized objective space.
• Abstract（参考訳）: 優先に基づく進化的多目的最適化(PBEMO)は、意思決定者(DM)の選好情報によって定義される関心領域(ROI)を近似することを目的としている。 現実のアプリケーションにおける客観的関数は、通常、異なるスケールを持つが、そのような問題におけるROIを定義する方法の問題は、文献で見過ごされている。 実際、EMO コミュニティでは、ROI が非正規化された対象空間や正規化された対象空間で定義されるべきかどうかを標準化していない。 この文脈では、客観的正規化がROIに与える影響について検討する。 まず、非正規化と正規化の目的空間で定義される2つのROIが、異なるスケールの目的を持つ問題に対して大きく異なることを示す。 そこで, 正規化対象空間で定義されるROIは, 理想点とナディル点の近似が不十分なため, 等スケールの目的を持つ問題においても近似が極めて困難であることを示す。 対照的に、非正規化対象空間で定義されるROIは、正規化対象空間で定義されるROIよりもはるかに容易に近似できることが示される。

関連論文リスト

• Emotional Preferences as Goal-Priority Regulation [5.936630155803903]
  エージェントの意思決定における中核的な問題は、上位レベルの目標によって自律的に生成される感情的嗜好によって、競合する下位レベルの目標の相対的な優先順位が決定できるかどうかである。 本稿では、強化学習を通して、そのような嗜好規制をどのように計算的に実現できるかを考察する。 自己構築型多目的探索環境における実験により、学習された選好関数は文脈的優先度切替、段階的トレードオフ、時間的持続性を示すことが示された。
  論文  参考訳（メタデータ） (2026-08-27T12:58:09Z)
• Partition-Guided Distance Saliency: Bridging Decision and Objective Spaces in Many-Objective Optimization [0.7136933021609075]
  本稿では,連続最適化ランドスケープ用に設計された新しいXAIアプローチであるPGDS(Partition-Guided Distance Saliency)フレームワークを紹介する。 まず,決定空間における幾何学的距離が,対象空間の近さにどのように対応しているかを学習する代理モデルを用いる。 第二に、高次元における手動目標選択の難しさに対処するため、この枠組みは、対象の景観を個別の領域に自動的に分割し、局所的な支配点を特定する」。 第3に、各変数に対する摂動によって引き起こされる距離シフトを測定することにより、解の位置が各決定変数にどれほど敏感であるかを定量化する。
  論文  参考訳（メタデータ） (2026-06-29T19:04:53Z)
• Not All Objectives Are Born Equal: Priority-Constrained Descent for Hierarchical Multi-Objective Optimization [0.6875312133832079]
  階層的対象構造を明示的に活用するために,PCD(Preferity-Constrained Descent)を導入する。 PCDは一次降下方向を保ち、二次目標の進行を保証するために必要な最小歪みを許容する。 我々は,構造化ネットワーク圧縮設定,非構造化空間性,低ランク性,および各種合成実験におけるPCDの評価を行った。
  論文  参考訳（メタデータ） (2026-06-28T17:31:47Z)
• A Turn Toward Better Alignment: Few-Shot Generative Adaptation with Equivariant Feature Rotation [67.2019317630466]
  少ない撮影画像生成は、ごく少数の訓練画像を用いて、ソース生成モデルをターゲット領域に効果的に適応することを目的としている。 Equivariant Feature Rotation (EFR) は、ソースドメインとターゲットドメインを2つの相補的なレベルで整列させる新しい適応戦略である。 本手法は,対象領域内の生成性能を著しく向上させる。
  論文  参考訳（メタデータ） (2025-12-24T13:48:22Z)
• Personalized Reasoning: Just-In-Time Personalization and Why LLMs Fail At It [81.50711040539566]
  現在の大規模言語モデル(LLM)開発は、タスク解決と優先順位調整を別の課題として扱う。 静的ベンチマークを対話型パーソナライズタスクに変換する評価手法であるPreFDISCOを紹介する。 我々のフレームワークは、ユーザコンテキストに応じて、同じ質問が異なる推論チェーンを必要とするシナリオを作成します。
  論文  参考訳（メタデータ） (2025-09-30T18:55:28Z)
• Bounded Rationality for LLMs: Satisficing Alignment at Inference-Time [52.230936493691985]
  本稿では,2次基準のしきい値に基づく制約を満たしつつ,主目的を最大化し,アライメントの多面性に対処する推論フレームワークSITAlignを提案する。 我々は、満足度に基づく推論アライメントアプローチの準最適境界を導出することで理論的洞察を提供する。
  論文  参考訳（メタデータ） (2025-05-29T17:56:05Z)
• Offline Model-Based Optimization: Comprehensive Review [61.91350077539443]
  オフライン最適化は、オフラインデータセットのみを使用してブラックボックス機能の最適化を目標とする、科学とエンジニアリングの基本的な課題である。 モデルベース最適化の最近の進歩は、オフライン固有の代理モデルと生成モデルを開発するために、ディープニューラルネットワークの一般化能力を活用している。 科学的な発見を加速させる効果が増大しているにもかかわらず、この分野は包括的なレビューを欠いている。
  論文  参考訳（メタデータ） (2025-03-21T16:35:02Z)
• Goal-Conditioned Supervised Learning for Multi-Objective Recommendation [8.593384839118658]
  多目的学習は、一つのモデルを用いて複数の目的を同時に最適化する。 本稿では,オフラインシーケンシャルデータから複数の目標を自動学習する多目的目標定義型監視学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-12T03:47:40Z)
• Dynamic Detection of Relevant Objectives and Adaptation to Preference Drifts in Interactive Evolutionary Multi-Objective Optimization [2.4374097382908477]
  意思決定過程を通じて進化し,目的の関連性に影響を与えるDM選好の動的性質について検討する。 このような変化が起こると、時代遅れや相反する好みを解消する手法を提案する。 実験により,提案手法は進化する嗜好を効果的に管理し,アルゴリズムが生成するソリューションの品質と望ましさを著しく向上することを示した。
  論文  参考訳（メタデータ） (2024-11-07T09:09:06Z)
• 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)
• Progressive Conservative Adaptation for Evolving Target Domains [76.9274842289221]
  従来のドメイン適応は、典型的には、ソースドメインから定常ターゲットドメインに知識を転送する。 このような対象データに対する復元と適応は、時間とともに計算とリソース消費をエスカレートする。 我々は、進歩的保守的適応(PCAda)と呼ばれる、単純で効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-02-07T04:11:25Z)
• Investigating Normalization in Preference-based Evolutionary Multi-objective Optimization Using a Reference Point [0.0]
  目的の正規化は、進化的多目的最適化において重要な役割を果たす。 嗜好に基づくEMOアルゴリズムはよく理解されていない。 PBEMOは、異なるスケールの目的を持つ問題に対して、目的の正規化を必要とすることを示す。
  論文  参考訳（メタデータ） (2023-07-13T05:30:36Z)
• A Distributional View on Multi-Objective Policy Optimization [24.690800846837273]
  大規模不変な方法で目的の好みを設定することができる多目的強化学習アルゴリズムを提案する。 フレームワーク内で異なる好みを設定することで、非支配的なソリューションの空間を追跡できることを示す。
  論文  参考訳（メタデータ） (2020-05-15T13:02:17Z)

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。