质量多样性搜索中参数化与数据驱动表示的表达能力
机器学习
2021-05-11 v1 神经与进化计算
摘要
我们考虑多解优化和生成模型，用于生成多样化产物和发现新颖解。在领域的变异因素未知或过于复杂而无法手动编码的情况下，生成模型可提供学习的潜空间来近似这些因素。然而，当用作搜索空间时，可能输出的范围和多样性受限于学习模型的表达能力和生成能力。我们比较了在两种不同搜索空间中执行的质量多样性进化搜索的输出多样性：1）预定义的参数化空间；2）变分自编码器模型的潜空间。我们发现，显式参数编码上的搜索比搜索潜空间创造出更多样化的产物集合。学习模型更擅长在已知数据点之间插值，而不是外推或向未见过的样本扩展。我们建议主要将生成模型的潜空间用于衡量产物之间的相似性，而非用于搜索和生成。只要可获得参数化编码，就应优先于学习表示使用，因为它能产生更高的解多样性。
引用
@article{arxiv.2105.04247,
title = {Expressivity of Parameterized and Data-driven Representations in Quality Diversity Search},
author = {Alexander Hagg and Sebastian Berns and Alexander Asteroth and Simon Colton and Thomas Bäck},
journal= {arXiv preprint arXiv:2105.04247},
year = {2021}
}
备注
For code for reproducing experiments, see https://github.com/alexander-hagg/ExpressivityGECCO2021