論文の概要: An Interactive Evolutionary Multiobjective Optimization Algorithm Based on Interpretable Active Preference Learning

• arxiv url: http://arxiv.org/abs/2610.35470v1
• Date: Mon, 26 Oct 2026 14:04:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.020478
• Title: An Interactive Evolutionary Multiobjective Optimization Algorithm Based on Interpretable Active Preference Learning
• Title（参考訳）: 解釈可能な能動選好学習に基づく対話的進化的多目的最適化アルゴリズム
• Abstract要約: 本稿では、アクティブラーニングを用いて木に基づく選好モデルを効率的に学習する解釈可能なiEMOAを提案する。 実生活の工学的問題に対するケーススタディでは、学習したモデルの検査が、どの目的が意思決定者の好みを駆動しているかを明らかにする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many decision-making tasks are inherently multi-objective. Interactive evolutionary multi-objective optimization algorithms (iEMOAs) are particularly well-suited to help the decision-maker find their most preferred solution. However, many of these algorithms employ black-box preference models. For high-stakes decision-making tasks, like healthcare and defense, a high level of transparency is needed, for instance to support accountability. We propose an interpretable iEMOA which uses active learning to efficiently learn a tree-based preference model directly from pairwise comparisons. The survival operator of NSGA-II and NSGA-III is extended with the learned preference model to guide the algorithm towards the region of interest. An extensive experimental study compares the proposed method to a state-of-the-art black-box model and a state-of-the-art interpretable model. Results indicate that our proposed model outperforms the alternatives in terms of finding the most preferred solution at the cost of a slightly worse average final population. Finally, a case study on a real-life engineering problem illustrates how inspecting the learned model reveals which objectives drive the decision-maker's preferences.
• Abstract（参考訳）: 多くの意思決定タスクは本質的に多目的である。 インタラクティブな進化的多目的最適化アルゴリズム(iEMOAs)は、意思決定者が最も好まれる解決策を見つけるのに特に適している。 しかし、これらのアルゴリズムの多くはブラックボックスの好みモデルを採用している。 医療や防衛といった高い意思決定タスクには、例えば説明責任をサポートするために、高いレベルの透明性が必要です。 そこで本研究では,アクティブラーニングを用いて,一対比較から木に基づく選好モデルを効率よく学習する,解釈可能なiEMOAを提案する。 NSGA-IIとNSGA-IIIの生存演算子は、学習された嗜好モデルで拡張され、アルゴリズムが関心のある領域に向かって誘導される。 提案手法を最先端のブラックボックスモデルと最先端の解釈可能なモデルと比較した。 その結果, 提案手法は, 平均的な最終人口をわずかに減らし, 最適解を求めるという点で, 代替案よりも優れていることがわかった。 最後に、実生活の工学的問題に関するケーススタディでは、学習したモデルの検査が、どの目的が意思決定者の好みを左右するかを明らかにする。

関連論文リスト

• You're Hired: Strategic Model Selection for LLM Collaboration [50.666814272202224]
  本稿では,モデル記述の多様性,能力を考慮した行動多様性,LLMに基づく採用者など,9つの選抜アルゴリズムの分類法を提案する。 10モデルと32モデルの2つの候補プールにまたがって実験を行い、4つのモデルコラボレーションアルゴリズムで展開し、数学、コーディング、QA、推論にまたがるタスクで評価する。
  論文  参考訳（メタデータ） (2026-09-30T02:44:01Z)
• SELF: Surrogate-light Feature Selection with Large Language Models in Deep Recommender Systems [51.09233156090496]
  ディープレコメンデータシステムのためのSurrogatE-Light特徴選択法 SELFは、大規模言語モデルからのセマンティック推論と、代理モデルからのタスク固有の学習を統合する。 実世界のレコメンデータプラットフォームからの3つの公開データセットに関する総合的な実験は、SELFの有効性を検証する。
  論文  参考訳（メタデータ） (2024-12-11T16:28:18Z)
• 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)
• Data-Efficient Interactive Multi-Objective Optimization Using ParEGO [6.042269506496206]
  多目的最適化は、競合する目的間の最適なトレードオフを提供する非支配的なソリューションの集合を特定することを目的としている。 実践的な応用では、意思決定者(DM)は実装すべき好みに合わせて単一のソリューションを選択する。 そこで本稿では,パレートフロントの最も好まれる領域を,高コストで評価できる2つの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-12T15:55:51Z)
• Dual-stage optimizer for systematic overestimation adjustment applied to multi-objective genetic algorithms for biomarker selection [0.18648070031379424]
  特徴選択法を用いたバイオマーカー同定は,特徴数における予測能力とパシモニーのトレードオフを伴う多目的問題として扱うことができる。 提案するDOSA-MOは多目的最適化ラッパーアルゴリズムで,元の推定値,分散度,および解の特徴セットサイズが過大評価を予測する。
  論文  参考訳（メタデータ） (2023-12-27T16:13:14Z)
• Preference Inference from Demonstration in Multi-objective Multi-agent Decision Making [0.0]
  本稿では,最適あるいは準最適のいずれかから線形選好重みを推定するアルゴリズムを提案する。 実験結果から, ベースラインアルゴリズムと比較して有意な改善が得られた。 今後,マルチエージェントシステムにおけるアルゴリズムの有効性を評価することを計画している。
  論文  参考訳（メタデータ） (2023-04-27T12:19:28Z)
• Interactive Evolutionary Multi-Objective Optimization via Learning-to-Rank [8.421614560290609]
  本稿では,関心の解(SOI)を対話的に見つけるために,嗜好に基づくEMOアルゴリズムを設計するためのフレームワークを開発する。 EMOの中核となる考え方は、人間をEMOのループに巻き込むことだ。何回か繰り返すと、DMは数人の現職候補者に対してフィードバックを求めるよう招待される。 このような情報を集めることで、彼女の好みは学習からランクまでニューラルネットワークによって徐々に学習され、次にベースラインEMOアルゴリズムを導出するために応用される。
  論文  参考訳（メタデータ） (2022-04-06T06:34:05Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Bayesian Optimization for Selecting Efficient Machine Learning Models [53.202224677485525]
  本稿では,予測効率とトレーニング効率の両面において,モデルを協調最適化するための統一ベイズ最適化フレームワークを提案する。 レコメンデーションタスクのためのモデル選択の実験は、この方法で選択されたモデルがモデルのトレーニング効率を大幅に改善することを示している。
  論文  参考訳（メタデータ） (2020-08-02T02:56:30Z)
• Stepwise Model Selection for Sequence Prediction via Deep Kernel Learning [100.83444258562263]
  本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。 結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。 我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
  論文  参考訳（メタデータ） (2020-01-12T09:42:19Z)

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。