論文の概要: MOCHA: Multi-Objective Co-Design using Hypernetwork Architectures

• arxiv url: http://arxiv.org/abs/2609.30570v1
• Date: Thu, 24 Sep 2026 21:31:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.146096
• Title: MOCHA: Multi-Objective Co-Design using Hypernetwork Architectures
• Title（参考訳）: MOCHA:ハイパーネットワークアーキテクチャを用いた多目的共同設計
• Abstract要約: ロボットの設計空間にまたがるパレート最適ポリシーのファミリーを1つのネットワークで計算するための強化学習に基づくアプローチとして,まずMOCHAを提案する。 2つの異なるロボット形態の複雑な設計依存戦略を表現できるMDHの能力を実証する。 本研究では,汎用ロボットの設計を効率よく計算し,目的の集合全体にわたって最高の累積性能を実現する方法を提案する。
• 参考スコア（独自算出の注目度）: 3.0728866208856633
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we present MOCHA, the first, to our knowledge, reinforcement learning based approach to computing a family of Pareto-optimal policies across the design space of a robot using a single network. Specifically, MOCHA leverages the hypernetwork architecture to learn a network that produces specialized network parameters optimized for a given objective and parameterized robot design; we term this a multi-objective design hypernetwork (MDH). We demonstrate the capabilities of MDHs to represent a complex family of design-dependent strategies on two distinct robot morphologies, each with six design dimensions and across 2-3 objectives. Moreover, we propose an approach for efficiently producing a Design Pareto set using evolutionary search of the learned policy network, generating the optimal design-policy combination for each objective prioritization. Lastly, we provide an efficient method for computing generalist robot designs which achieve the best cumulative performance across the entire set of objectives.
• Abstract（参考訳）: 本研究は,ロボットの設計空間にまたがるパレート最適ポリシーのファミリーを1つのネットワークで計算するための強化学習に基づくアプローチであるMOCHAを提案する。 特に、MOCHAはハイパーネットワークアーキテクチャを活用し、与えられた目的とパラメータに最適化されたネットワークパラメータを生成するネットワークを学習し、これを多目的設計ハイパーネットワーク(MDH)と呼ぶ。 MDHは,6つの設計次元と2～3つの目的を持つ2つの異なるロボット形態の複雑な設計依存戦略を表現できることを示した。 さらに、学習したポリシーネットワークの進化的探索を用いて設計パレートセットを効率よく生成し、各目的の優先順位付けに最適な設計と政治の組み合わせを生成する手法を提案する。 最後に,汎用ロボットの設計を効率よく計算し,目的の集合全体にわたって最高の累積性能を実現する方法を提案する。

関連論文リスト

• RoboMoRe: LLM-based Robot Co-design via Joint Optimization of Morphology and Reward [21.110738533383277]
  RoboMoReは、ロボットの共同設計ループ内での共同最適化のための形態と報酬形成を統合するフレームワークである。 粗い最適化段階において、LLMに基づく多様性反射機構は、多様かつ高品質な形態-逆対を生成する。 最適化段階では、LLM誘導報酬とモルフォロジー勾配の更新を交互に行い、上位候補を反復的に洗練する。
  論文  参考訳（メタデータ） (2025-05-30T22:16:07Z)
• Towards Automated Model Design on Recommender Systems [21.421326082345136]
  重量共有を利用して豊富な解空間を探索する新しいパラダイムを導入する。 共同設計の観点からは,2倍FLOPs効率,1.8倍エネルギー効率,1.5倍の性能向上を実現している。
  論文  参考訳（メタデータ） (2024-11-12T06:03:47Z)
• Towards Efficient Pareto Set Approximation via Mixture of Experts Based Model Fusion [53.33473557562837]
  大規模深層ニューラルネットワークに対する多目的最適化問題を解くことは、損失ランドスケープの複雑さと高価な計算コストのために難しい課題である。 本稿では,専門家(MoE)をベースとしたモデル融合を用いて,この問題を実用的でスケーラブルに解決する手法を提案する。 特殊な単一タスクモデルの重みをまとめることで、MoEモジュールは複数の目的間のトレードオフを効果的に捉えることができる。
  論文  参考訳（メタデータ） (2024-06-14T07:16:18Z)
• Deep learning based Meta-modeling for Multi-objective Technology Optimization of Electrical Machines [0.0]
  本稿では,2つの異なるマシン技術を同時に最適化するための変分自動エンコーダの応用について述べる。 トレーニング後、私たちは、グローバルなキーパフォーマンス指標を予測するために、ディープニューラルネットワークとデコーダをメタモデルとして使用します。
  論文  参考訳（メタデータ） (2023-06-15T12:33:39Z)
• Fast GraspNeXt: A Fast Self-Attention Neural Network Architecture for Multi-task Learning in Computer Vision Tasks for Robotic Grasping on the Edge [80.88063189896718]
  アーキテクチャと計算の複雑さが高いと、組み込みデバイスへのデプロイに適さない。 Fast GraspNeXtは、ロボットグルーピングのためのコンピュータビジョンタスクに埋め込まれたマルチタスク学習に適した、高速な自己認識型ニューラルネットワークアーキテクチャである。
  論文  参考訳（メタデータ） (2023-04-21T18:07:14Z)
• Multi-Agent Reinforcement Learning for Microprocessor Design Space Exploration [71.95914457415624]
  マイクロプロセッサアーキテクトは、高性能でエネルギー効率の追求において、ドメイン固有のカスタマイズにますます頼っている。 この問題に対処するために,Multi-Agent RL (MARL) を利用した別の定式化を提案する。 評価の結果,MARLの定式化は単エージェントRLのベースラインよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2022-11-29T17:10:24Z)
• Intelligent Trajectory Design for RIS-NOMA aided Multi-robot Communications [59.34642007625687]
  目的は,ロボットの軌道とNOMA復号命令を協調的に最適化することで,マルチロボットシステムにおける全軌道の総和率を最大化することである。 ARIMAモデルとDouble Deep Q-network (D$3$QN)アルゴリズムを組み合わせたML方式を提案する。
  論文  参考訳（メタデータ） (2022-05-03T17:14:47Z)
• Graph Neural Networks for Decentralized Multi-Robot Submodular Action Selection [101.38634057635373]
  ロボットがチームサブモジュールの目的を最大化するために共同で行動を選択する必要があるアプリケーションに焦点を当てる。 分散通信によるサブモジュール化に向けた汎用学習アーキテクチャを提案する。 大規模ロボットネットワークによるアクティブターゲットカバレッジのシナリオにおいて、GNNベースの学習アプローチのパフォーマンスを実証します。
  論文  参考訳（メタデータ） (2021-05-18T15:32:07Z)

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。