Preference-Guided Diffusion for Multi-Objective Offline Optimization

要約

オフラインの多目的最適化は、設計とその客観的価値のデータセットを考慮して、パレート最適ソリューションを特定することを目的としています。
この作業では、分類器ベースのガイダンスメカニズムを活用することにより、パレート最適な設計を生成する優先ガイド付き拡散モデルを提案します。
ガイダンス分類器は、ある設計が別の設計を支配する確率を予測するために訓練された選好モデルであり、拡散モデルを設計空間の最適な領域に向けます。
重要なことに、この選好モデルはトレーニングの分布を超えて一般化され、観測されたデータセットの外側のパレート最適ソリューションの発見を可能にします。
私たちは、多様性の優先順位を高め、多様性の優先順位を強化し、多様性の優先順位を強化します。
これにより、生成されたソリューションが最適であり、客観的な空間全体にわたって十分に分散されることが保証されます。これは、オフラインの多目的最適化のための以前の生成方法には存在しない機能です。
さまざまな連続オフラインの多目的最適化タスクに関するアプローチを評価し、フォワード/サロゲートベースの最適化方法と競争力を維持しながら、他の逆/生成アプローチを常に上回ることがわかります。
私たちの結果は、パレートの前面をよく近似する多様で高品質のソリューションを生成する際の分類誘導拡散モデルの有効性を強調しています。

要約(オリジナル)

Offline multi-objective optimization aims to identify Pareto-optimal solutions given a dataset of designs and their objective values. In this work, we propose a preference-guided diffusion model that generates Pareto-optimal designs by leveraging a classifier-based guidance mechanism. Our guidance classifier is a preference model trained to predict the probability that one design dominates another, directing the diffusion model toward optimal regions of the design space. Crucially, this preference model generalizes beyond the training distribution, enabling the discovery of Pareto-optimal solutions outside the observed dataset. We introduce a novel diversity-aware preference guidance, augmenting Pareto dominance preference with diversity criteria. This ensures that generated solutions are optimal and well-distributed across the objective space, a capability absent in prior generative methods for offline multi-objective optimization. We evaluate our approach on various continuous offline multi-objective optimization tasks and find that it consistently outperforms other inverse/generative approaches while remaining competitive with forward/surrogate-based optimization methods. Our results highlight the effectiveness of classifier-guided diffusion models in generating diverse and high-quality solutions that approximate the Pareto front well.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google