提取-质量-多样性框架：处理噪声、随机或不确定领域的通用方法
神经与进化计算
2025-02-11 v1
摘要
质量-多样性（Quality-Diversity, QD）方法在发现优化问题中多样化解答的集合方面已显示出潜力。最初设计用于确定性环境，QD已通过各种不确定-质量-多样性（Uncertain-QD, UQD）方法扩展至噪声、随机或不确定领域。然而，大量UQD方法各自存在独特约束，导致选择最合适方法的难度增加。为缓解此情况，我们提出两项贡献：首先，提取-质量-多样性框架（Extract-QD Framework, EQD Framework），其次从中派生出的提取-方法综述（Extract-ME, EME）。EQD框架以模块化视角统一现有方法，促进通过更换模块开发新方法。我们使用其从EEM派生，一种新方法在标准基准测试中始终优于或相当于现有最佳方法，而其他方法表现不一。在第二项实验中，我们展示了EQD框架如何用于增强现有QD算法，特别是已建立的基于策略梯度的MAP-Elites方法，并在不增加额外评估成本的情况下在不确定域中实现性能提升。对于任何新的不确定任务，我们的贡献现在提供EEM作为可靠的“首选”方法，以及EQD框架作为开发任务特定方法的工具。这些贡献旨在降低在QD应用中采用UQD见解的成本。
引用
@article{arxiv.2502.06585,
title = {Extract-QD Framework: A Generic Approach for Quality-Diversity in Noisy, Stochastic or Uncertain Domains},
author = {Manon Flageat and Johann Huber and François Helenon and Stephane Doncieux and Antoine Cully},
journal= {arXiv preprint arXiv:2502.06585},
year = {2025}
}