Jan, 2024

映射极点是否揭示搜索空间？MAP-Elites 应用于人工智能与人类协作设计的大规模用户研究

PDF
TL;DR研究发现，人工智能协作设计工具的设计推荐对设计过程有积极影响，尤其是综合使用 MAP-Elites 和随机选取的设计推荐能够提高设计任务的参与度和最终设计的质量。有关衡量人工智能协作算法在设计过程中影响的指标存在不足，这对于设计新的混合倡议工具和评估现有工具的研究人员都是非常重要的发现。
human-ai collaborative design tooldesign recommendationsevolutionary algorithmmap-elitesdesign process
发现论文，激发创造
  • 通过精英映射技术照亮搜索空间

    描述了一种基于 Multi-dimensional Archive of Phenotypic Elites (MAP-Elites) 算法的多目标搜索优化算法，该算法通过生成高性能解的分布图，帮助用户更好地分析最佳解的属性及其效果。

    Apr, 2015

  • 互动约束 MAP-Elites 在地下城设计中的优质多样性增强

    提出了使用质量多样性算法进行混合和互动游戏内容生成的想法，并通过进化地宫设计师系统实现。该功能使用 MAP-Elites 算法将人口分成多个单元格，使其在几个行为维度上的值相对。用户可以灵活地选择相关的变化维度，并将算法生成的建议合并到其地图设计中。同时，任何人类所做的修改都将反馈到 MAP-Elites 中，并用于生成更多的建议。

    Jun, 2019

  • 将 MAP-Elites 扩展到深度神经进化

    本论文介绍了一种在高维控制中应用 MAP-Elites 和 Evolution Strategies 算法的新型算法 ME-ES，用于机器人关节损伤后的恢复。该算法在强欺骗奖励的高维控制任务中表现出与现有探索算法相当的高效探索能力。

    Mar, 2020

  • 通过利用物种间关联性发现精英超体积

    本文将 MAP-Elites 算法与生物进化过程相结合，提出了精英超体积概念，并引入了定向变异算子来优化算法，通过三个不同的问题实验，证明了该算法的有效性。

    Apr, 2018

  • 多人合力：使用多个并行进化策略的 MAP-Elites 提升质量和多样性

    本文提出了一种基于进化策略的快速并行评估，名为 MAP-Elites-Multi-ES（MEMES）的新型 QD 算法，该算法通过保持多个独立的进化策略线程来扩展现有的 MAP-Elites-ES 算法，并引入了一种新的动态重置过程来自主地最大化 QD 种群的改进。实验结果表明，MEMES 在黑盒优化和 QD-Reinforcement 学习任务方面表现优越，并具有本地优化适应性的内在优势。

    Mar, 2023

  • 决策树的优质多样进化学习

    为了解释机器学习的需求，在解释性人工智能研究方向上，决策树和增强学习的混合模型成为一个新的研究方向，其中使用了 MAP-Elites 方法来拓展模型，该方法在 OpenAI Gym 库的两个控制问题中表现良好。

    Aug, 2022

  • 面向协同人工智能任务的用户中心策略推荐系统设计

    本文旨在研究设计面向用户的策略推荐系统时需要考虑的重要因素。我们进行了一项人体实验，测量了不同性格类型的用户对不同策略推荐系统的偏好，并发现某些人格特征明显影响了特定类型的系统的偏好。最后，我们报告了推荐的可用性、一致性和感知智能之间的有趣关系，其中更高的一致性与个人偏好推荐会导致更高的感知智能和可用性。

    Jan, 2023

  • 利用滑动边界的 MAP-Elites 算法映射 Hearthstone 卡组空间

    本文介绍了一种名为 MESB 的新型 MAP-Elites 算法变体，将其应用于 Hearthstone 的设计和重新平衡，并展示了其在游戏中表现出的多样的表现形式和公共模式。

    Apr, 2019

  • 思维导图：实现高效的算法 - 加速器映射空间搜索

    Mind Mappings 是一种基于梯度的新型搜索方法，用于算法加速器映射空间的搜索，此方法能够在运行固定数量的步骤或固定时间内进行更高质量的映射搜索，相对于其他黑盒优化方案如模拟退火、遗传算法和强化学习，其能够达到更佳的能量延迟乘积。

    Mar, 2021

  • ADVISE: 全球发展证据综述的 AI 加速设计

    本研究介绍了一种利用 BERT 模型开发 AI 代理程序，结合人类团队设计全球发展证据综合产品的方法，探讨了活性学习策略的影响，结果表明，将 BERT-based AI 代理程序纳入人类团队可以降低人类筛选工作量 68.5％，而采用高优先级 (HP) 策略的活性学习方法可以进一步减少 78.3％。

    May, 2023