Conditional Generative Representation for Black-Box Optimization with Implicit Constraints

要約

ブラックボックス最適化(BBO)は、複雑な意思決定問題、特に警察の区割りなどの公共政策領域に取り組む上で、ますます重要性を増している。しかし、公共政策立案におけるBBOの広範な応用は、実行可能領域の定義の複雑さと意思決定の高次元性によって妨げられている。本稿では、条件付き生成ブラックボックス最適化（CageBO）と呼ばれる新しいBBOフレームワークを紹介する。このアプローチは、条件付き変分オートエンコーダを活用して、実現可能な意思決定の分布を学習し、元の意思決定空間と簡略化された制約のない潜在空間との間の双方向マッピングを可能にする。CageBOは、公共政策アプリケーションでしばしば見られる暗黙の制約を効率的に処理し、元の空間で目的を評価しながら潜在空間で最適化を可能にする。我々は、ジョージア州アトランタにおける大規模な警察区割り問題のケーススタディを通じて、本手法を検証する。その結果、我々のCageBOはベースラインと比較して性能と効率において顕著な改善をもたらすことが明らかになった。

要約(オリジナル)

Black-box optimization (BBO) has become increasingly relevant for tackling complex decision-making problems, especially in public policy domains such as police districting. However, its broader application in public policymaking is hindered by the complexity of defining feasible regions and the high-dimensionality of decisions. This paper introduces a novel BBO framework, termed as the Conditional And Generative Black-box Optimization (CageBO). This approach leverages a conditional variational autoencoder to learn the distribution of feasible decisions, enabling a two-way mapping between the original decision space and a simplified, constraint-free latent space. The CageBO efficiently handles the implicit constraints often found in public policy applications, allowing for optimization in the latent space while evaluating objectives in the original space. We validate our method through a case study on large-scale police districting problems in Atlanta, Georgia. Our results reveal that our CageBO offers notable improvements in performance and efficiency compared to the baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL