.png){kind=icon}
返回
Meta-Learning Inspired Single-Step Generative Model for Expensive Multitask Optimization Problems
.png){kind=icon}
PRE
AI
DOI：10.1109/tevc.2025.3617343.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在昂贵的多任务优化问题（ExMTOPs）中，需要在有限的计算预算下同时优化多个复杂任务。现有方法通常基于代理模型，旨在近似目标函数，但难以在异构任务间泛化，依赖任务特定的采样，且需要频繁重训练。为解决这些挑战，我们提出了多因子进化算法（MFEA）-单步生成模型（MFEA-SSG），一种受元学习启发的框架，用于学习跨任务生成高质量解。受元学习启发，我们将决策变量的每次随机重排视为一个独特的伪任务，通过在这些任务分布上训练模型，学习关于精英解结构的任务无关先验。这一过程破坏了任务特定的依赖关系，使模型能够从重组样本中学习可迁移的结构。随后，我们采用基于扩散的生成模型来学习最优解的分布，实现跨任务的知识迁移，而无需直接近似目标函数。为降低推理成本，我们引入了一个从扩散过程中蒸馏出的学生模型。与需要迭代去噪的传统扩散模型不同，该学生模型在一次前向传播中生成解，显著减少了推理时间。在通用多任务基准和真实的蛋白质突变预测场景上的全面实验表明，MFEA-SSG在有限的评估预算下能够以低计算成本实现高质量解，收敛速度快，优于当前最先进的通用算法和ExMTOPs算法。
Keyword:
Expensive evolutionary multitasking (EMT)
generative model
knowledge transfer
meta learning
multifactorial evolutionary algorithm (MFEA)
期刊
IF:
12
论文数:
1.9K
被引数:
2.4W
机构
引用论文
.png){kind=icon}
From Multitask Gradient Descent to Gradient-Free Evolutionary Multitasking: A Proof of Faster Convergence从多任务梯度下降到无梯度进化多任务: 更快收敛的证明
PREAI
分享收藏
查看更多内容