タスクフリーな適応型メタブラックボックス最適化

TL;DR（結論）

従来のメタブラックボックス最適化（MetaBBO）は、未知のタスクへ適応するために事前に設計された膨大な学習用タスク分布を必要としていたが、本研究が提案するABOM（Adaptive meta Black-box Optimization Model）は、ターゲットとなるタスクから得られる自己生成データのみを用いてオンラインでパラメータを適応させる。 このモデルは、進化計算の主要なオペレータである選択、交叉、突然変異をアテンション機構に基づいた微分可能な関数として定義しており、生成された個体群とエリートアーカイブの距離を最小化するようにパラメータをリアルタイムで更新することで、事前のメタ学習フェーズを一切必要としない「ゼロショット最適化」を実現している。 合成ベンチマーク（BBOB）や実世界の無人航空機（UAV）経路計画問題において、ABOMは事前に学習済みの最新メタ学習手法や高度に調整された適応型アルゴリズムと同等以上の性能を発揮し、さらにGPU加速への対応やアテンション行列を通じた探索パターンの可視化による高い解釈性、および全域収束性の理論的保証を兼ね備えている。

なぜこの問題か

ブラックボックス最適化（BBO）は、目的関数の勾配やヘッセ行列といった直接的な微分情報が利用できず、限られた評価値のみを頼りに最適解を探索しなければならない極めて困難な課題である。この問題に対し、選択、交叉、突然変異といったヒューリスティックなオペレータを用いる進化計算（EA）が広く利用されてきたが、これらは手動でのパラメータ調整に大きく依存しており、新しいタスクに対して脆弱であるという課題を抱えていた。 「ノーフリーランチ（NFL）」定理が示す通り、あらゆる問題領域において普遍的に優れた性能を発揮する単一の最適化アルゴリズムは存在しない。そのため、探索プロセス中に生成されたデータを利用して動的にオペレータやパラメータを調整する適応型メカニズムが数多く設計されてきたが、これらは最適化理論や問題特性に関する高度な専門知識を必要とし、実装のハードルが高い。 近年では、メタ学習を用いて最適化戦略を自動化するメタブラックボックス最適化（MetaBBO）が登場し、専門家による調整を自動化する試みがなされている。…

核心：何を提案したのか

本論文では、タスクフリーな適応型メタブラックボックス最適化モデルである「ABOM（Adaptive meta Black-box Optimization Model）」を提案している。ABOMの最大の特徴は、従来のMetaBBOのように「オフラインのメタ学習フェーズ」と「オンラインの最適化フェーズ」を分離するのではなく、最適化の実行中にターゲットタスクのデータのみを用いてオンラインでパラメータを更新する、閉ループの適応型学習メカニズムを導入した点にある。…

続きはログイン/プランで閲覧できます。