高维度度量空间中的折扣模型搜索用于质量多样性优化
机器学习
2026-05-04 v5 神经与进化计算
摘要
质量多样性（QD）优化搜索一组在目标函数上进行优化同时实现用户指定向量型度量函数不同输出的解决方案。当今典型的 QD 算法受限于低维度量空间，因为高维度量空间容易产生失真，其中许多由 QD 算法找到的解决方案映射到相似的度量。例如，最先进的 CMA-MAE 算法通过记录所谓折扣值（discount values）的度量空间直方图来指导度量空间的探索。然而，CMA-MAE 在高维度量空间中会停滞，因为具有相似度量的解决方案落入相同的直方图单元，从而获得相同的折扣值。为解决这些限制，我们提出了折扣模型搜索（DMS），通过提供折扣值的平滑连续表示来指导探索。在高维度量空间中，此模型使 DMS 能够区分具有相似度量的解决方案，从而继续进行探索。我们表明 DMS 通过引入两个新的域，其中度量空间为图像的高维空间，这使得用户能够通过提供图像数据集而非手工设计度量函数来指定所需的度量。在这些域中以及在高维基准测试中，结果显示 DMS 在 CMA-MAE 和其他现有黑箱 QD 算法方面均表现出色。
引用
@article{arxiv.2601.01082,
title = {Discount Model Search for Quality Diversity Optimization in High-Dimensional Measure Spaces},
author = {Bryon Tjanaka and Henry Chen and Matthew C. Fontaine and Stefanos Nikolaidis},
journal= {arXiv preprint arXiv:2601.01082},
year = {2026}
}
备注
Accepted to ICLR 2026 (Oral presentation). Project page available at https://discount-models.github.io