Diversity By Design: Leveraging Distribution Matching for Offline Model-Based Optimization

要約

オフラインモデルベースの最適化（MBO）の目標は、オフラインデータセットのみを考慮して報酬関数を最大化する新しいデザインを提案することです。
ただし、重要な設計は、多くの最適で最適に近い設計構成をキャプチャする最終候補の多様なセットを提案することです。
MBOの問題に明示的な目的として設計の多様性を導入するための新しい方法として、敵対的なモデルベースの最適化（Dynamo）の多様性を提案します。
私たちの重要な洞察は、生成されたデザインの分布がオフラインデータセットに含まれる固有の多様性をキャプチャする分布マッチング問題として多様性を策定することです。
複数の科学ドメインにまたがる広範な実験は、ダイナモを一般的な最適化方法で使用して、高品質の候補を発見しながら提案された設計の多様性を大幅に改善できることを示しています。

要約(オリジナル)

The goal of offline model-based optimization (MBO) is to propose new designs that maximize a reward function given only an offline dataset. However, an important desiderata is to also propose a diverse set of final candidates that capture many optimal and near-optimal design configurations. We propose Diversity in Adversarial Model-based Optimization (DynAMO) as a novel method to introduce design diversity as an explicit objective into any MBO problem. Our key insight is to formulate diversity as a distribution matching problem where the distribution of generated designs captures the inherent diversity contained within the offline dataset. Extensive experiments spanning multiple scientific domains show that DynAMO can be used with common optimization methods to significantly improve the diversity of proposed designs while still discovering high-quality candidates.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google