論文の概要: Solving Few-Shot Multiobjective Multitask Optimization via Iterative Sequential Transfer

• arxiv url: http://arxiv.org/abs/2609.11228v1
• Date: Thu, 10 Sep 2026 08:28:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.255503
• Title: Solving Few-Shot Multiobjective Multitask Optimization via Iterative Sequential Transfer
• Title（参考訳）: 反復シーケンス転送によるFew-Shot多目的マルチタスク最適化の解法
• Abstract要約: 本稿では,マルチタスク最適化問題の解法として反復シーケンス転送(IST)を提案する。 本稿では、転送ユーティリティを最大化するために、確率インフォームドタスク優先順位付け機構を提案する。 ベンチマークおよび実世界の問題に関する実証的な結果から, 厳密な予算の下で提案手法の有効性が検証された。
• 参考スコア（独自算出の注目度）: 28.698139321250906
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Applying knowledge transfer across multiple optimization tasks, multitask optimization (MTO) emerges as a promising approach to solving synergistic optimization tasks simultaneously. However, the development of effective knowledge transfer mechanisms in MTO fundamentally relies on aligning elite solution distributions across tasks. This dependency creates a critical bottleneck in few-shot optimization regimes, as restricted evaluation budgets impede the identification of elite solution distributions required for beneficial transfer. This challenge is exacerbated in multiobjective multitask problems, where each optimizer must approximate a continuous Pareto manifold rather than a single optimal point. This paper introduces Iterative Sequential Transfer (IST) to circumvent this bottleneck. We model MTO as a sequence of sequential transfer optimization problems, concentrating evaluations on a single target per iteration. We propose a likelihood-informed task prioritization mechanism to maximize transfer utility by identifying the task most likely ready for knowledge integration. Empirical results on benchmark and real-world problems verify the effectiveness of the proposed method under tight budgets.
• Abstract（参考訳）: 複数の最適化タスク間で知識伝達を適用することで、マルチタスク最適化(MTO)は相乗的最適化タスクを同時に解くための有望なアプローチとして現れる。 しかし、MTOにおける効果的な知識伝達機構の開発は、基本的にタスク間のエリートな解分布の整合性に依存している。 制限された評価予算は、有益移動に必要なエリートな解分布の特定を妨げるためである。 この問題は多目的マルチタスク問題において悪化し、各最適化子は1つの最適点ではなく連続パレート多様体を近似しなければならない。 本稿では,このボトルネックを回避するために,反復シーケンス転送(IST)を導入する。 我々は,MTOを逐次転送最適化問題の列としてモデル化し,反復毎に1つの目標に対する評価を集中させる。 本稿では,知識統合に最も適したタスクを特定することによって,伝達ユーティリティを最大化するタスク優先順位付け機構を提案する。 ベンチマークおよび実世界の問題に関する実証的な結果から, 厳密な予算の下で提案手法の有効性が検証された。

関連論文リスト

• Delve into the Applicability of Advanced Optimizers for Multi-Task Learning [70.80216936064654]
  MTL(Multi-Task Learning)は、機械学習の問題であり、過去10年間に広範囲に開発されてきた。 APT(Advanced oPizers)は,高度とMTLの強度のバランスをとるために設計された,シンプルな適応運動量機構を備えたフレームワークである。
  論文  参考訳（メタデータ） (2026-04-10T04:15:31Z)
• Parametric Expensive Multi-Objective Optimization via Generative Solution Modeling [34.344228998247225]
  本稿では,この逆モデルについて,獲得駆動探索モデルと生成モデルとの交互に学習した最初のパラメトリック多目的ベイズモデルを提案する。 我々はタスク対応ガウス過程を通じてタスク間シナジーを活用することにより、より高速な収束を理論的に正当化する。
  論文  参考訳（メタデータ） (2025-11-12T15:13:27Z)
• A Unified Multi-Task Learning Framework for Generative Auto-Bidding with Validation-Aligned Optimization [51.27959658504722]
  マルチタスク学習は、これらのタスクを共有表現を通じて共同でトレーニングするための、原則化されたフレームワークを提供する。 既存のマルチタスク最適化戦略は、主にトレーニングダイナミクスによって導かれ、不安定な入札環境ではよく一般化される。 本稿では,タスク毎のトレーニング勾配と保留有効度勾配のアライメントに基づいてタスク重みを適応的に割り当てる,バリデーション適応型マルチタスク最適化(VAMO)を提案する。
  論文  参考訳（メタデータ） (2025-10-09T03:59:51Z)
• Continual Optimization with Symmetry Teleportation for Multi-Task Learning [73.28772872740744]
  マルチタスク学習(MTL)は、1つのモデルを用いて複数のタスクの同時学習を可能にする。 シンメトリ・テレポーテーション(COST)を用いた連続最適化に基づく新しい手法を提案する。 COSTは、競合の勾配を減らすために、損失ランドスケープに別の損失等価点を求める。
  論文  参考訳（メタデータ） (2025-03-06T02:58:09Z)
• Optima: Optimizing Effectiveness and Efficiency for LLM-Based Multi-Agent System [75.25394449773052]
  大規模言語モデル (LLM) に基づくマルチエージェントシステム (MAS) は協調的問題解決において顕著な可能性を示している。 通信効率の低下、スケーラビリティの低下、効果的なパラメータ更新方法の欠如などです。 本稿では,コミュニケーション効率とタスク効率を両立させ,これらの課題に対処する新しいフレームワークOptimaを提案する。
  論文  参考訳（メタデータ） (2024-10-10T17:00:06Z)
• Multi-Fidelity Bayesian Optimization With Across-Task Transferable Max-Value Entropy Search [36.14499894307206]
  本稿では,現在のタスクに関する情報を取得する必要性と,将来的なタスクに伝達可能な情報を集めることのバランスをとる新しい情報理論獲得機能を提案する。 提案手法は,十分なタスク数を処理すると,最適化効率を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-03-14T17:00:01Z)
• 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)
• Bayesian Inverse Transfer in Evolutionary Multiobjective Optimization [29.580786235313987]
  InvTrEMO(InvTrEMO)の第1回リバーストランスファー・マルチオブジェクト(InvTrEMO)を紹介する。 InvTrEMOは、決定空間がタスク間で正確に整合していない場合でも、多くの一般的な領域で共通の目的関数を利用する。 InvTrEMOは、高い精度の逆モデルを重要な副産物とし、オンデマンドで調整されたソリューションの生成を可能にする。
  論文  参考訳（メタデータ） (2023-12-22T14:12:18Z)
• Sequential Information Design: Markov Persuasion Process and Its Efficient Reinforcement Learning [156.5667417159582]
  本稿では,逐次情報設計の新たなモデル,すなわちマルコフ説得過程(MPP)を提案する。 MPPのプランニングは、ミオピックレシーバーに同時に説得されるシグナルポリシーを見つけ、送信者の最適な長期累積ユーティリティを誘導する、というユニークな課題に直面している。 我々は,楽観主義と悲観主義の両原理の新たな組み合わせを特徴とする,実証可能な効率のよい非回帰学習アルゴリズム,Optimism-Pessimism Principle for Persuasion Process (OP4) を設計する。
  論文  参考訳（メタデータ） (2022-02-22T05:41:43Z)
• dMFEA-II: An Adaptive Multifactorial Evolutionary Algorithm for Permutation-based Discrete Optimization Problems [6.943742860591444]
  本稿では、最近導入されたMFEA-II(Multifactorial Evolutionary Algorithm II)を、置換に基づく離散環境に適用する。 提案手法の性能を5種類のマルチタスク設定で評価した。
  論文  参考訳（メタデータ） (2020-04-14T14:42:47Z)
• 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)

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。