論文の概要: From Consistency to Collaborative Discovery: MFEA-CoD for Multitask Novelty Search

• arxiv url: http://arxiv.org/abs/2607.00761v1
• Date: Wed, 01 Jul 2026 10:45:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.858136
• Title: From Consistency to Collaborative Discovery: MFEA-CoD for Multitask Novelty Search
• Title（参考訳）: 一貫性から協調的発見へ:マルチタスクノベルティ検索のためのMFEA-CoD
• Authors: Jiao Liu, Yanchi Li, Hua Yu, Abhishek Gupta, Yew-Soon Ong,
• Abstract要約: マルチタスクノベルティ探索のための協調探索(MFEA-CoD)を用いた多要素進化アルゴリズムを提案する。 従来のEMTとは異なり、MFEA-CoDは複数の新しい検索タスクを協調して、行動に新しいソリューションを共同で発見する。 MFEA-CoDは、多様な新しいソリューションを発見する効率を改善し、偽りの客観的景観において明確な利点を示す。
• 参考スコア（独自算出の注目度）: 38.11140150897072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Evolutionary multitasking (EMT) has shown strong capability in solving multiple optimization problems simultaneously by exploiting latent inter-task consistency, such as similarities in promising solutions or search directions. However, most existing EMT studies remain focused on objective-driven optimization, where such consistency is mainly used to accelerate convergence toward predefined optima. In this paper, we move EMT from consistency to collaborative discovery and propose a multifactorial evolutionary algorithm with collaborative discovery (MFEA-CoD) for multitask novelty search. Unlike conventional EMT, MFEA-CoD coordinates multiple novelty search tasks to collaboratively discover behaviorally novel solutions rather than merely transferring consistent search information for faster convergence. Specifically, a multitask repulsion operator encourages different tasks to explore distinct regions of the unified search space, thereby reducing redundant behavioral discoveries. Meanwhile, an adaptive inter-task transfer mechanism exploits shared discovery opportunities in overlapping novelty-improving regions by adjusting the transfer probability according to the online contribution of transferred information. Furthermore, MFEA-CoD is extended to multitask novelty-augmented optimization, where behavioral novelty is jointly considered with objective information to alleviate premature convergence caused by deceptive objectives. Experiments on synthetic basin-type problems, deceptive maze navigation problems, MuJoCo policy optimization problems, and generative novelty search problems demonstrate that MFEA-CoD improves the efficiency of discovering diverse novel solutions and shows clear advantages in deceptive objective landscapes.
• Abstract（参考訳）: 進化的マルチタスク(EMT)は、有望な解や探索方向の類似性など、遅延したタスク間の一貫性を活用することで、複数の最適化問題を同時に解く強力な能力を示している。 しかし、既存のEMT研究の多くは、主に事前定義された最適点への収束を加速するために、客観的に駆動される最適化に焦点を当てている。 本稿では,EMTを一貫性から協調探索へ移行し,マルチタスク新規探索のための協調探索(MFEA-CoD)を用いた多要素進化アルゴリズムを提案する。 従来のEMTとは異なり、MFEA-CoDは複数の新しい検索タスクをコーディネートし、より高速な収束のために一貫した検索情報を転送するだけでなく、協調して行動的に新しいソリューションを発見する。 具体的には、マルチタスク撃退演算子は、異なるタスクに対して、統一された検索空間の異なる領域を探索することを奨励し、冗長な振る舞いの発見を減らす。 一方、アダプティブなタスク間転送機構は、転送情報のオンラインコントリビューションに応じて転送確率を調整することにより、重複する新規改善領域における共有発見機会を利用する。 さらに、MFEA-CoDはマルチタスクの新規性向上最適化に拡張され、この最適化では、行動の新規性と客観的情報とを併用して、偽の目的によって生じる早期収束を緩和する。 合成盆地型問題, 偽迷路ナビゲーション問題, MuJoCo ポリシー最適化問題, 生成ノベルティ探索問題に関する実験により, MFEA-CoD は, 多様な新規解の発見効率を向上し, 認識対象景観において明確な優位性を示すことを示した。

関連論文リスト

• MEJO: MLLM-Engaged Surgical Triplet Recognition via Inter- and Intra-Task Joint Optimization [52.149337961205624]
  手術用三重項認識のためのタスク間最適化とタスク内最適化を両立する枠組みを提案する。 タスク間最適化のために、タスク共有およびタスク固有コンポーネントに表現を分解する共有特徴分散学習スキーム(S$2$D)を導入する。 タスク内最適化競合に対して,正負の曖昧さを識別・再バランスするコーディネート・グラディエント・ラーニング(CGL)戦略を開発する。
  論文  参考訳（メタデータ） (2025-09-16T09:48:52Z)
• Towards Multi-Objective High-Dimensional Feature Selection via Evolutionary Multitasking [63.91518180604101]
  本稿では,高次元特徴選択問題,すなわちMO-FSEMTのための新しいEMTフレームワークを開発する。 タスク固有の知識伝達機構は、各タスクの利点情報を活用するように設計され、高品質なソリューションの発見と効果的な伝達を可能にする。
  論文  参考訳（メタデータ） (2024-01-03T06:34:39Z)
• PSDiff: Diffusion Model for Person Search with Iterative and Collaborative Refinement [59.6260680005195]
  本稿では,拡散モデルであるPSDiffに基づく新しいPerson Searchフレームワークを提案する。 PSDiffは、ノイズの多いボックスとReID埋め込みから地上の真実へのデュアルデノケーションプロセスとして検索する人を定式化する。 新しいパラダイムに従って、我々は、反復的かつ協調的な方法で検出とReIDサブタスクを最適化する新しいコラボレーティブ・デノナイジング・レイヤ(CDL)を設計する。
  論文  参考訳（メタデータ） (2023-09-20T08:16:39Z)
• AT-MFCGA: An Adaptive Transfer-guided Multifactorial Cellular Genetic Algorithm for Evolutionary Multitasking [17.120962133525225]
  本稿では,進化的マルチタスク環境を扱うための適応メタヒューリスティックアルゴリズムを提案する。 AT-MFCGAはセルラーオートマトンを利用して、検討中の最適化問題の知識を交換する機構を実装している。
  論文  参考訳（メタデータ） (2020-10-08T12:00:10Z)
• UneVEn: Universal Value Exploration for Multi-Agent Reinforcement Learning [53.73686229912562]
  我々はUniversal Value Exploration(UneVEn)と呼ばれる新しいMARLアプローチを提案する。 UneVEnは、一連の関連するタスクと、普遍的な後継機能の線形分解を同時に学習する。 一連の探索ゲームにおける実証的な結果、エージェント間の重要な調整を必要とする協調捕食・捕食作業への挑戦、およびStarCraft IIのマイクロマネジメントベンチマークは、UneVEnが他の最先端のMARLメソッドが失敗するタスクを解決できることを示している。
  論文  参考訳（メタデータ） (2020-10-06T19:08:47Z)
• On the Transferability of Knowledge among Vehicle Routing Problems by using Cellular Evolutionary Multitasking [6.943742860591444]
  この研究は、最近提案されたMFCGA(Multifactorial Cellular Genetic Algorithm)のキャパシタントカールーティング問題(CVRP)への適用に焦点を当てている。 この研究の貢献は2つあるが、一方、MFCGAの自動車ルーティング問題ファミリーへの最初の応用である。他方、問題インスタンス間の正の遺伝伝達可能性の定量的解析に焦点をあてた第2の貢献は、同様に興味深い。
  論文  参考訳（メタデータ） (2020-05-11T12:58:00Z)
• Multifactorial Cellular Genetic Algorithm (MFCGA): Algorithmic Design, Performance Comparison and Genetic Transferability Analysis [17.120962133525225]
  多目的最適化は先進的な研究領域であり、近年顕著な研究の勢いを増している。 本稿では,多因子最適化シナリオのための新しいアルゴリズムスキームを提案する。 提案したMFCGAはセルオートマタの概念に基づいて,問題間の知識交換機構を実装している。
  論文  参考訳（メタデータ） (2020-03-24T11:03:55Z)
• A Two stage Adaptive Knowledge Transfer Evolutionary Multi-tasking Based on Population Distribution for Multi/Many-Objective Optimization [12.53272339049236]
  本稿では,人口分布に基づく2段階適応型知識伝達進化型マルチタスク最適化アルゴリズムを提案する。 EMT-PDは確率モデルから抽出した知識に基づいてタスクの収束性能を加速し改善することができる。 マルチタスク多目的最適化テストスイートの実験結果から,EMT-PDは他の6つの進化的マルチ/シングルタスクアルゴリズムよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-01-03T13:05:32Z)

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。