面向离散空间照亮的质量多样性梯度信息方法
人工智能
2023-09-14 v2
摘要
质量多样性（QD）算法被提出用于搜索大量兼具多样性与高性能的解，而非单一的局部最优解集。早期 QD 算法将目标函数与描述符函数视为黑箱函数，而新引入的工具利用梯度信息加速搜索并提升这些算法在连续输入空间上的整体性能。然而，广泛的一类应用涉及离散空间，如药物发现或图像生成。探索这些空间具有挑战性，因为它们组合规模巨大且梯度无法像在连续空间中那样使用。我们提出带梯度信息离散发射器的 map-elites（ME-GIDE），将基于可微函数在离散搜索空间上的 QD 优化进行了扩展。ME-GIDE 利用目标函数与描述符函数相对于其离散输入的梯度信息，提出梯度知情的更新，引导搜索朝向多样化的高质量解集合。我们在包括蛋白质设计与离散潜空间照亮在内的具有挑战性的基准上评估了我们的方法，发现该方法在所有基准上均优于最先进的 QD 算法。
引用
@article{arxiv.2306.05138,
title = {Gradient-Informed Quality Diversity for the Illumination of Discrete Spaces},
author = {Raphael Boige and Guillaume Richard and Jérémie Dona and Thomas Pierrot and Antoine Cully},
journal= {arXiv preprint arXiv:2306.05138},
year = {2023}
}