論文の概要: Partition-Guided Distance Saliency: Bridging Decision and Objective Spaces in Many-Objective Optimization

• arxiv url: http://arxiv.org/abs/2606.30836v1
• Date: Mon, 29 Jun 2026 19:04:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:18.989339
• Title: Partition-Guided Distance Saliency: Bridging Decision and Objective Spaces in Many-Objective Optimization
• Title（参考訳）: 分割誘導距離サリエンシ:多目的最適化におけるブリッジ決定と客観空間
• Authors: Cláudio Lúcio do Val Lopes, Flávio Vinícius Cruzeiro Martins, Elizabeth Fialho Wanner,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.7136933021609075
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Explainability in Many-Objective Optimization (MaO) is currently hindered by the escalating complexity of the Pareto front, which renders the relationship between high-dimensional decision variables and objective outcomes increasingly opaque. As the number of objectives exceeds the limits of traditional visualization, decision-makers encounter a ``cognitive drought'' in identifying relevant trade-offs or specifying target regions without a priori knowledge. To bridge this interpretability gap, we introduce the {Partition-Guided Distance Saliency (PGDS)} framework, a novel XAI approach designed for continuous optimization landscapes. Our framework automates the explanation process through a three-stage pipeline that prioritizes geometric intuition over abstract rules. First, we employ a surrogate model that learns how geometric distances in the decision space map to proximity in the objective space. Second, to address the difficulty of manual target selection in high dimensions, the framework automatically partitions the objective landscape into distinct regions and identifies local ``Dominating Points'' to serve as automated targets for improvement. Third, we quantify how sensitive a solution's position is to each decision variable by measuring the distance shifts induced by perturbations to each variable. This allows PGDS to categorize features as either ``Drivers'' which facilitate convergence toward preferred regions, or ``Blockers'' which represent geometric constraints hindering further progress. Validation on 10-objective benchmarks and a physics-informed engineering problem (Welded Beam) demonstrates that PGDS provides differentiated, actionable insights that traditional visualization and rule-based XAI methods fail to provide.
• Abstract（参考訳）: 多目的最適化(MaO)の説明可能性は現在、高次元決定変数と客観的結果の関係がますます不透明になるパレートフロントのエスカレートする複雑さによって妨げられている。 目標の数が従来の視覚化の限界を超えているため、意思決定者は、関連するトレードオフを特定したり、事前知識のないターゲット領域を指定する際に、‘認知的干ばつ’に遭遇する。 この解釈可能性のギャップを埋めるために、連続的な最適化景観のために設計された新しいXAIアプローチである {Partition-Guided Distance Saliency (PGDS) フレームワークを導入する。 本フレームワークは,抽象ルールよりも幾何学的直観を優先した3段階パイプラインによる説明プロセスを自動化する。 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のターゲット選択の難しさに対処するため、このフレームワークは、目的のランドスケープを個別の領域に自動的に分割し、改善のための自動化されたターゲットとして、ローカルの 'Dominate Points'' を識別する。 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。 これにより、PGDSは機能を、好ましい領域への収束を促進する ``Drivers'' または、さらなる進歩を妨げる幾何学的制約を表す ``Blockers' に分類することができる。 10オブジェクトのベンチマークと物理インフォームドエンジニアリング問題(Welded Beam)に対する検証は、PGDSが従来の可視化とルールベースのXAIメソッドでは提供できない、差別化され実行可能な洞察を提供することを示した。

関連論文リスト

• IoUCert: Robustness Verification for Anchor-based Object Detectors [58.35703549470485]
  IoUCertは、アンカーベースのオブジェクト検出アーキテクチャにおいて、これらのボトルネックを克服するために設計された、新しい形式的検証フレームワークである。 本手法は, SSD, YOLOv2, YOLOv3など, 現実的なアンカーベースモデルの各種入力摂動に対するロバスト性検証を可能にする。
  論文  参考訳（メタデータ） (2026-03-03T14:36:46Z)
• Multi-Resolution Alignment for Voxel Sparsity in Camera-Based 3D Semantic Scene Completion [52.959716866316604]
  カメラベースの3Dセマンティックシーン補完(SSC)は、周囲の3Dシーンにおける各ボクセルの幾何学的占有度と意味ラベルを画像入力で評価するためのコスト効率の良いソリューションを提供する。 既存の手法は、自律運転シナリオにおけるボクセルの大部分が空であるので、ボクセルの空間性という課題に直面している。 カメラを用いた3Dセマンティックシーン補完におけるボクセル空間の分散を緩和するために,textitMulti-Resolution Alignment (MRA) アプローチを提案する。
  論文  参考訳（メタデータ） (2026-02-03T10:46:51Z)
• 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)
• Multi-start Optimization Method via Scalarization based on Target Point-based Tchebycheff Distance for Multi-objective Optimization [2.9248680865344348]
  多目的最適化(multi-jective optimization)は、競合する目的間のトレードオフのバランスをとるための、科学的および工業的応用において重要である。 NSGA-IIIやMOEA/Dのような最先端の手法は、多くの目的に対処できるが、カバレッジの問題には対処できない。 これらの課題に対処する新しいマルチスタート最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-05-01T02:27:25Z)
• Neighbor-Aware Calibration of Segmentation Networks with Penalty-Based Constraints [19.897181782914437]
  本稿では,ロジット値の等式制約に基づく基本的かつ単純な解を提案し,強制制約と罰則の重みを明示的に制御する。 我々のアプローチは、広範囲のディープセグメンテーションネットワークのトレーニングに利用できる。
  論文  参考訳（メタデータ） (2024-01-25T19:46:57Z)
• Robust Unsupervised Domain Adaptation by Retaining Confident Entropy via Edge Concatenation [7.953644697658355]
  教師なしのドメイン適応は、セマンティックセグメンテーションネットワークをトレーニングするための広範なピクセルレベルのアノテーションの必要性を軽減することができる。 本稿では,エントロピーに基づく対向ネットワーク内における内部情報と外部情報の相乗効果を利用した新しいドメイン適応手法を提案する。 我々は、より効果的なセグメンテーションのために多様な情報を統合する確率共有ネットワークを考案した。
  論文  参考訳（メタデータ） (2023-10-11T02:50:16Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)

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。