Diffusion-Based Knowledge Transfer for Multitask Optimization

Jiang-Tao Chen

doi:10.1109/tcyb.2026.3711601

Diffusion-Based Knowledge Transfer for Multitask Optimization

2026-08-03

0

PRE

AI

DOI：10.1109/tcyb.2026.3711601

原文链接

原文求助

摘要

En 中文

进化多任务优化（EMTO）旨在通过任务间的相关知识迁移来同时优化多个任务。因此，不同任务间的知识迁移（KT）对于促进任务优化至关重要。EMTO中的传统KT方法通过个体迁移实现浅层KT，限制了从其他任务迁移高质量知识的能力。因此，本文提出了一种基于扩散模型的知识迁移（DMKT）方法，该方法专门建立在冷扩散（CD）基础上，用于深入挖掘不同任务间的映射关系，并获取跨任务的映射模型。由于CD支持任意退化算子，源任务和目标任务个体间的插值可以定义为面向任务的渐进退化过程，从而使得相应的恢复过程能够学习定向的跨任务映射。具体而言，我们首先为每个源-目标任务对构建两个循环训练扩散模型（DMs）。随后，训练好的DM可用于生成新的有前景的解，以实现高效的知识迁移。在CEC2022多任务优化问题（MTOP）基准上的实验结果表明，所提出的基于扩散的知识迁移多任务优化（DKTMTO）算法优于其他最先进的EMTO算法。此外，DMKT可以整合到其他EMTO算法中以进一步改进其性能。最后，DKTMTO被应用于实际的多任务平面运动学臂控制问题（PKACPs）和WCCI2020多任务优化问题（MaTOP）基准，展示了其适用性和可扩展性。

Keyword:

Diffusion model (DM)

evolutionary multitask optimization (EMTO)

knowledge transfer (KT)

Diffusion-Based Knowledge Transfer for Multitask Optimization

摘要

期刊

机构

引用论文