論文の概要: SDDMO-Bench: A Benchmark Suite for Streaming Data-Driven Dynamic Multi-Objective Optimization

• arxiv url: http://arxiv.org/abs/2608.00474v1
• Date: Sat, 01 Aug 2026 06:56:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.68343
• Title: SDDMO-Bench: A Benchmark Suite for Streaming Data-Driven Dynamic Multi-Objective Optimization
• Title（参考訳）: SDDMO-Bench: データ駆動型動的多目的最適化のためのベンチマークスイート
• Abstract要約: 本稿では,動的多目的テスト問題をストリーミング環境に変換するベンチマークスイートであるSDDMO-Benchを提案する。 5つの時間依存基底関数と6つの分布ドリフトパターンを組み合わせることで、SDDMO-Benchは30のシナリオを構成する。 代表的な進化的アルゴリズムを用いた実験は、SDDMO-Benchが挑戦的で差別的なテストシナリオを提供することを示した。
• 参考スコア（独自算出の注目度）: 10.627368862090728
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Streaming data-driven dynamic multi-objective optimization requires algorithms to track time-varying Pareto fronts using only sequential observations under concept drift. However, systematic evaluation remains difficult because real-world problems usually lack ground-truth optima, drift annotations, and controllable conditions, while existing benchmarks provide limited support for standardized comparison. This paper proposes SDDMO-Bench, a benchmark suite that transforms classical dynamic multi-objective test problems into streaming environments by combining intrinsic objective-mapping evolution, controllable distributional drift, and sequential data revelation. By combining five representative time-dependent base functions with six distributional drift patterns, SDDMO-Bench constructs 30 scenarios with diverse levels of non-stationarity, problem complexity, sample-distribution variation, and Pareto-front evolution. Experiments with representative evolutionary algorithms demonstrate that SDDMO-Bench provides challenging and discriminative test scenarios, offering a standardized, controllable, and reproducible benchmark for evaluating adaptability, robustness, and Pareto-front tracking in streaming data-driven dynamic multi-objective optimization.
• Abstract（参考訳）: データ駆動型動的多目的最適化のストリーミングには,概念ドリフト下での逐次観測のみを使用して,時間変化のパレートフロントを追跡するアルゴリズムが必要である。 しかし、実世界の問題は通常、地上の最適性、ドリフトアノテーション、制御可能な条件を欠いているため、体系的な評価は困難であり、既存のベンチマークは標準化された比較を限定的にサポートしている。 本稿では,従来の動的多目的テスト問題をストリーム環境に変換するベンチマークスイートであるSDDMO-Benchを提案する。 5つの代表的な時間依存基底関数と6つの分布ドリフトパターンを組み合わせることで、SDDMO-Benchは、非定常性、問題複雑性、サンプル分布の変化、およびパレートフロント進化の異なる30のシナリオを構築する。 代表的な進化的アルゴリズムを用いた実験では、SDDMO-Benchは、ストリーミングデータ駆動の動的多目的最適化において、適応性、堅牢性、およびPareto-frontトラッキングを評価するための標準化された、制御可能な、再現可能なベンチマークを提供する、挑戦的で差別的なテストシナリオを提供する。

関連論文リスト

• DeepBias: Adaptive In-depth Probing of Social Biases in LVLMs [71.85279836937578]
  我々は、注意深く設計されたエージェントを用いたLVLMにおける社会バイアスの奥行き探索のための適応的フレームワークDeepBiasを紹介する。 私たちは、私たちのフレームワークを使ってDeepBiasBenchという名のベンチマークを構築します。5つの異なる最先端のLVLMをアンカーとして使用することで、このベンチマークはアーキテクチャ間で共有される脆弱性をキャプチャします。
  論文  参考訳（メタデータ） (2026-07-13T08:19:09Z)
• LargeMonitor: Monitoring Online Task-Free Continual Learning via Large Pretrained Models [5.257217773590746]
  オンラインタスクフリー連続学習(TFCL)では、インテリジェントエージェントが非定常データストリームからの知識を逐次蓄積する必要がある。 既存のオンラインTFCLパラダイムは、トレーニング結合された最適化ダイナミクスによって駆動されるパラメータ効率の高いプロンプトチューニングや動的構造拡張に依存している。 我々は,タスクフリーな継続的適応を自律的にオーケストレーションするために,大規模な事前学習基盤モデルを活用するフレームワークであるLargeMonitorを提案する。
  論文  参考訳（メタデータ） (2026-06-08T12:41:15Z)
• Multi-scale Coarse-to-fine Modeling for Test-time Human Motion Control [51.92884966472683]
  MSCoTは、テストタイムの人間のモーション合成と制御のための、マルチスケールで粗い粒度モデルである。 MSCoTは動きを多スケールの階層表現に識別し、各時間スケールでトークンシーケンス全体を予測する。
  論文  参考訳（メタデータ） (2026-05-14T15:09:49Z)
• A Decoupled Basis-Vector-Driven Generative Framework for Dynamic Multi-Objective Optimization [13.136405879524856]
  本稿では,動的多目的最適化のためのベースベクトル駆動型生成フレームワーク(DB-GEN)を提案する。 非線形結合、時代遅れの歴史的データからの負の転送、および環境スイッチ時のコールドスタート問題に対処する。 実験の結果、DB-GENは既存のアルゴリズムと比較して、様々な動的ベンチマークにおけるトラッキング精度を向上させることが示された。
  論文  参考訳（メタデータ） (2026-04-01T05:47:56Z)
• Training-Free Diffusion-Driven Modeling of Pareto Set Evolution for Dynamic Multiobjective Optimization [15.780107358426745]
  本稿では,DMOPのトレーニング自由拡散に基づく動的応答機構DD-DMOEAを提案する。 膝点に基づく補助戦略を用いて、新しい環境における対象領域を特定する。 CEC2018の動的多目的ベンチマークの実験により、DD-DMOEAは競争力またはより良い収束・分散性能を達成することが示された。
  論文  参考訳（メタデータ） (2026-03-23T11:09:58Z)
• Dual-level Adaptation for Multi-Object Tracking: Building Test-Time Calibration from Experience and Intuition [29.371401864045115]
  テスト時間適応(TTA)は、そのような分散シフトを軽減するための有望なパラダイムとして登場した。 本稿では,経験と直観からのテストタイム(TCEI)フレームワークを提案する。 このフレームワークでは、過渡記憶を利用して、最近観測されたオブジェクトをリコールし、迅速な予測を行う。 オンラインテストにおける確実なオブジェクトと不確実なオブジェクトは、歴史的先行と反射的ケースとして活用される。
  論文  参考訳（メタデータ） (2026-03-23T06:50:28Z)
• SPEED-Bench: A Unified and Diverse Benchmark for Speculative Decoding [3.876913658180685]
  投機的復号化(SD)は,Large Language Model(LLM)推論を高速化する重要な手法として登場した。 以前のベンチマークでは、タスクの多様性の制限、スループット指向の評価の不十分なサポート、プロダクション環境を反映できないハイレベルな実装への依存に悩まされていた。 SPEED-Benchは多種多様な意味領域と現実的なサービス体制をまたいだSD評価を標準化するために設計された総合的なスイートである。
  論文  参考訳（メタデータ） (2026-02-10T16:19:56Z)
• Improving Multimodal Sentiment Analysis via Modality Optimization and Dynamic Primary Modality Selection [54.10252086842123]
  マルチモーダル・センティメント・アナリティクス(MSA)は、ビデオにおける言語、音響、視覚データから感情を予測することを目的としている。 本稿では,モーダリティ最適化と動的一次モーダリティ選択フレームワーク(MODS)を提案する。 4つのベンチマークデータセットの実験では、MODSが最先端の手法より優れていることが示されている。
  論文  参考訳（メタデータ） (2025-11-09T11:13:32Z)
• Unsupervised Online 3D Instance Segmentation with Synthetic Sequences and Dynamic Loss [52.28880405119483]
  教師なしのオンライン3Dインスタンスのセグメンテーションは、基本的だが難しい課題だ。 UNITのような既存の手法はこの方向に進んできたが、訓練の多様性が制限されているままである。 本稿では,合成点雲列生成によるトレーニング分布の強化を目的とした新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-27T08:53:27Z)
• PuzzleBench: A Fully Dynamic Evaluation Framework for Large Multimodal Models on Puzzle Solving [50.50405233978406]
  我々は、OVPG(Open-ended Visual Puzzle Generation)という、完全に動的なマルチモーダル評価フレームワークを提案する。 OVPGは、パズル解決タスクにおいて、新しく、多様性があり、検証可能な評価データを自動的に生成することを目的としている。 OVPG上に構築されたPuzzleBenchは11,840のVQAサンプルからなる動的でスケーラブルなベンチマークである。
  論文  参考訳（メタデータ） (2025-04-15T05:29:31Z)
• Benchmark Self-Evolving: A Multi-Agent Framework for Dynamic LLM Evaluation [51.99752147380505]
  本稿では,大規模言語モデル(LLM)を動的に評価するベンチマーク自己進化フレームワークを提案する。 マルチエージェントシステムを用いて、元のインスタンスのコンテキストや質問を操作し、信頼性の高い新しいインスタンスをフレーミングする。 我々のフレームワークは、異なるモデル間の性能の相違を拡大し、様々なタスクで同じモデル内で性能の相違を拡大します。
  論文  参考訳（メタデータ） (2024-02-18T03:40:06Z)
• Fast-Slow Test-Time Adaptation for Online Vision-and-Language Navigation [67.18144414660681]
  オンラインビジョン・アンド・ランゲージナビゲーション(VLN)のためのFSTTA(Fast-Slow Test-Time Adaptation)アプローチを提案する。 提案手法は,4つのベンチマークにおいて顕著な性能向上を実現する。
  論文  参考訳（メタデータ） (2023-11-22T07:47:39Z)

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。