論文の概要: Multitask Pareto Optimization for Monotone Submodular Problems with Dynamic Constraints
- arxiv url: http://arxiv.org/abs/2608.10425v2
- Date: Thu, 13 Aug 2026 04:03:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 14:00:09.6629
- Title: Multitask Pareto Optimization for Monotone Submodular Problems with Dynamic Constraints
- Title（参考訳）: 動的制約をもつ単調部分モジュラ問題に対するマルチタスクパレート最適化
- Abstract要約: 我々は、すべてのタスクが共通の単調部分モジュラ函数を$f$で共有するマルチタスクの定式化について検討するが、それらの制約は異なる。
これにより、タスク間のソリューション共有が可能になり、標準的な進化的アプローチを独立して実行するよりもパフォーマンスが向上する。
- 参考スコア（独自算出の注目度）: 6.164863213336097
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evolutionary multitasking is a recent approach that solves multiple related optimization problems within a single evolutionary run, rather than addressing each problem separately. We consider monotone submodular optimization problems with dynamic knapsack constraints and study a multitasking formulation in which all tasks share a common monotone submodular function $f$, but differ in their constraints. We focus on the case where elements within each constraint have uniform cost and show that this structure leads to small Pareto fronts in the multitasking formulation. This enables solution sharing across tasks and can improve performance compared to running standard evolutionary approaches independently, depending on the constraint regime. Using rigorous runtime analysis, we analyze the expected time until the proposed multitasking algorithms obtain a $(1 - 1/e)$-approximation for each task. Experimental results for the Maximum Coverage problem complement the theoretical analysis and provide further insight into the practical behavior of the approach across different budget settings.
- Abstract（参考訳）: 進化的マルチタスキング(Evolutionary multitasking)は、各問題を個別に扱うのではなく、単一の進化的実行内で複数の関連する最適化問題を解く、最近のアプローチである。
動的knapsack制約を伴う単調部分モジュラー最適化問題を考察し、すべてのタスクが共通の単調部分モジュラー関数を$f$で共有するマルチタスクの定式化について検討する。
各制約内の要素が均一なコストを持つ場合に着目し、この構造がマルチタスクの定式化において小さなパレートフロントにつながることを示す。
これにより、タスク間のソリューション共有が可能になり、制約状況に応じて、標準的な進化的アプローチを独立して実行するよりもパフォーマンスが向上する。
厳密な実行時解析を用いて,提案したマルチタスクアルゴリズムが各タスクに対して$(1 - 1/e)$-approximationを得るまでの予測時間を分析する。
最大被覆問題に対する実験結果は、理論解析を補完し、異なる予算設定にまたがるアプローチの実践的挙動に関するさらなる洞察を与える。
関連論文リスト
- Analysis of Multitasking Pareto Optimization for Monotone Submodular Problems [6.164863213336097]
一つの実行で複数の関連する問題を解くのに有効な方法であるマルチタスクの定式化を導入する。
厳密な実行時解析を用いて,導入したマルチタスクアプローチが与えられた各問題に対して1-1/eの$-approximationを得るまでの期待時間を分析する。
論文 参考訳（メタデータ） (2026-04-16T14:31:19Z) - Multinoulli Extension: A Lossless Continuous Relaxation for Partition-Constrained Subset Selection [60.07018090570548]
我々はパラメータフリーで、歪んだ局所探索法と同じ近似保証を実現できるMultinoulliSCGという新しいアルゴリズムを導入する。
また、分割制約に関する未探索オンラインサブセット選択問題に対して、Multinoulli-CGとMultinoulli-GAGAという2つの新しいオンラインアルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-03-23T02:30:01Z) - Consistent Submodular Maximization [27.266085572522847]
定性制約下での単調部分モジュラ関数の最大化は、データマイニングや機械学習におけるいくつかの応用において古典的な最適化課題である。
本稿では, 安定解を持ちながら, ストリーミング方式で要素が到着し, 最適解に対する定数近似が維持されるという, 一貫性の制約のある動的環境において, この問題を考察する。
この設定では、一貫性と近似品質のトレードオフが異なるアルゴリズムを提供しています。
論文 参考訳（メタデータ） (2024-05-30T11:59:58Z) - UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [51.00436121587591]
マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。
重みベクトル w でパラメトリした線型効用関数の場合に焦点を当てる。
学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
論文 参考訳（メタデータ） (2024-05-01T09:34:42Z) - Multi-Task Learning with Multi-Task Optimization [31.518330903602095]
最適化されているが、よく分散されたモデルの集合が、1つのアルゴリズムパスで異なるトレードオフを具現化していることを示す。
様々な問題設定を解決するために,マルチタスク最適化を用いたマルチタスク学習を提案する。
論文 参考訳（メタデータ） (2024-03-24T14:04:40Z) - Pareto Manifold Learning: Tackling multiple tasks via ensembles of
single-task models [50.33956216274694]
マルチタスク学習(MTL)では、タスクは、ソリューションへの最適化を導くのではなく、互いに達成したパフォーマンスを競い、制限することができる。
重み空間におけるアンサンブル手法であるTextitPareto Manifold Learningを提案する。
論文 参考訳（メタデータ） (2022-10-18T11:20:54Z) - In Defense of the Unitary Scalarization for Deep Multi-Task Learning [121.76421174107463]
本稿では,多くの特殊マルチタスクを正規化の形式として解釈できることを示唆する理論解析について述べる。
標準正規化と安定化技術と組み合わせると、ユニタリスカラー化は複雑なマルチタスクの性能にマッチし、改善することを示す。
論文 参考訳（メタデータ） (2022-01-11T18:44:17Z) - Small Towers Make Big Differences [59.243296878666285]
マルチタスク学習は、複数の機械学習タスクを同時に解決することを目的としている。
マルチタスク学習問題に対する優れた解法は、Paretoの最適性に加えて一般化可能であるべきである。
本稿では,マルチタスクモデルのためのパラメータ下自己助詞の手法を提案し,両世界のベストを達成した。
論文 参考訳（メタデータ） (2020-08-13T10:45:31Z) - Efficient Continuous Pareto Exploration in Multi-Task Learning [34.41682709915956]
本稿では,機械学習問題における最適解の連続解析手法を提案する。
サンプルベーススパース線形システムを提案することにより、現代の機械学習問題に対する多目的最適化の理論結果をスケールアップする。
論文 参考訳（メタデータ） (2020-06-29T23:36:20Z) - Pareto Multi-Task Learning [53.90732663046125]
マルチタスク学習は複数の相関タスクを同時に解くための強力な方法である。
異なるタスクが互いに衝突する可能性があるため、すべてのタスクを最適化するひとつのソリューションを見つけることは、しばしば不可能である。
近年,マルチタスク学習を多目的最適化として活用することにより,タスク間のトレードオフが良好である1つのパレート最適解を求める方法が提案されている。
論文 参考訳（メタデータ） (2019-12-30T08:58:40Z)
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。