异质空间中的质量多样性
本文提出了一个全面的质量多样性优化算法统一框架,探讨了该算法族群的大量变体,并提出了一种新的集合管理机制解决了在使用无结构的集合时观察到的侵蚀问题,同时还提出了使用质量多样性优化算法的新的选择机制,其性能比本文测试的所有算法都要好,这三个贡献都得到了质量多样化算法在三个不同实验场景下的广泛实验比较的支持。
May, 2017
度量空间的规模最近被确定为一种新型不变量,它可以在多个尺度上衡量空间的 ' 有效大小 '。通过捕捉数据的几何和拓扑特性,度量空间可以解决无监督表示学习任务中的挑战。我们形式化了有限度量空间的度量函数之间的新概念差异度,并用它们导出了一种用于降维任务的质量度量。我们的度量可以在数据扰动下保持稳定,计算效率高,并且可以对嵌入进行严格的多尺度比较。我们通过一个实验套件展示了我们度量的实用性,其中包括数据可视化的比较。
Nov, 2023
该论文在关于点集的度量空间问题中,提出了一种基于流算法和 MapReduce 模型的高效多样性最大化算法,该算法通过核心集合和 α- 近似比的计算,能够在处理大量数据集时获得优秀的近似度。
May, 2016
本文提出了一种名为 Diverse Quality Species (DQS) 的新型质量 - 多样性算法,能够在不需要存档或事先定义行为范围的情况下,将解决方案分解为独立进化种类,并利用无监督技能发现来学习多样化而高性能的解决方案,在多个仿真机器人环境中进行评估,结果表明 DQS 比其他 QD 算法更具样本效率和性能。
Apr, 2023
提出了一种简化版的 Quality diversity 问题 - DQD,重点解决 Objective 和 Measure 函数是一阶可微分函数的问题,并提出了一种基于梯度信息的算法 MEGA, 成功地解决了优化过程中 “黑盒处理” 忽略 Gradient information 的问题。在两个 QD 基准领域和 StyleGAN 的潜在空间中进行实验,表明 MEGA 显著优于现有的 QD 算法,突出了 DQD 在梯度信息可用时高效的优势。
Jun, 2021
提出了一种基于 Relevance-guided Unsupervised Discovery of Abilities 的 Quality-Diversity 算法,可以自动发现适用于任务的行为描述符,并在模拟机器人环境中验证了算法的有效性。
Apr, 2022
通过评估框架,该研究工作在 10 个不同抓取领域进行了 15 种方法的实验,结果显示优先选择成功解决方案的 MAP-Elites 变体在所研究的指标上大大优于其他方法,并发现稀疏交互可能导致迷惑性的新颖性,此工作在文献中具有创新性地有效产生了抓取轨迹示例,这方面没有先例。
Aug, 2023
本文提出了一种基于离散空间和可微函数的拓展质量多样性优化算法(ME-GIDE),利用目标和描述符函数对其离散输入的梯度信息来引导搜索,以获得高质量的多样化解决方案,并在蛋白质设计和离散潜在空间点亮等基准测试中,比现有的质量多样性算法表现更好。
Jun, 2023
本文介绍了一种基于模型的 Quality-Diversity 算法,该算法通过对所有群体成员进行有效的探索和利用想象中的扰动来同时维持性能和高效的多样性,从而提高人群算法在具有欺骗性奖励的任务中的样本效率和解决方案质量。
Nov, 2022
本文介绍了一种用 topology 中的新型不变量.magnitude 对深度神经网络中的内部表示进行研究、并提出了一种新方法来确定其泛化能力。我们在理论上连接了 magnitude 维度和泛化误差,实验结果表明,所提出的框架可以成为泛化误差的良好指标。
May, 2023