Quality Diversity
PulseAugur coverage of Quality Diversity — every cluster mentioning Quality Diversity across labs, papers, and developer communities, ranked by signal.
-
新模拟分解金融市场动态
研究人员开发了一种演化多主体模拟来分析金融市场动态。通过在模拟中使四个关键机制可插拔，他们能够分离选择、微观结构和行为偏差对市场结果的影响。研究发现，选择机制显著增加了策略多样性，而微观结构改进增强了市场真实性。相反，放大行为偏差会导致脆弱性增加，而不会提高真实性。
-
AI研究使用质量多样性生成类人LLM团队行为
研究人员开发了一种新颖的方法，用于在大型语言模型（LLM）代理中生成多样化、类人的团队行为。通过将质量多样性（QD）优化与LLM驱动的代理相结合，该方法迭代搜索提示，以在协作、长周期的任务中引发多样的协调和沟通策略。一项人类受试者实验证实了所选领域中人类行为的多样性，随后的研究表明，生成的LLM行为既类人，又能捕捉到不通过广泛数据收集难以观察到的模式。
-
AI利用进化搜索生成新颖声音
研究人员开发了一种新颖的生成声音合成系统，该系统将质量多样性（QD）算法与监督判别模型相结合。这种方法受到创新引擎算法的启发，通过利用进化过程来自动化搜索多样化和创新的声音。该研究介绍了一种使用多个专门的组合模式生成网络（CPPNs）和数字信号处理（DSP）图的新方法，其性能与单CPPN设置相当，同时简化了网络。
-
大型语言模型作为变异算子，增强了DEI框架中的进化搜索
研究人员开发了DEI，一个分布式的质量-多样性搜索框架，该框架利用异构的大型语言模型作为变异算子。这种方法通过利用不同大型语言模型独特的创造性先验来增强进化推理，与同质化方法相比，能够产生更大的行为新颖性。当应用于Core War领域时，GPT-5.4-mini和Claude Sonnet 4.6等模型的异构集成在QD-Score和覆盖率方面，显著优于单节点基线和同质化集成。
-
新方法推动符号回归用于数据分析
研究人员开发了两种新的符号回归方法，这是一种用于查找拟合数据的数学表达式的技术。一种方法，潜在方程嵌入（LEE），在潜在空间中使用迭代细化来提高准确性并降低表达式复杂度，在基准测试中优于现有方法。另一种方法，多样化残差符号回归（DRSR），侧重于生成多个不同的表达式来解释不同的残差模式，有助于选择与领域知识一致并有效处理异常值的模型。
-
新的折扣模型搜索方法增强了高维空间中的质量多样性优化
研究人员推出了一种新颖的质量多样性（QD）优化方法——折扣模型搜索（DMS），旨在克服高维测度空间中的局限性。传统QD算法在高维测度中因失真（许多解决方案映射到相似结果）而面临挑战。DMS通过采用一个提供折扣值平滑、连续表示的模型来解决这个问题，从而能够区分解决方案的细微差别并促进持续探索。这种新方法已在基于图像的领域展示了其能力，并在高维基准测试中优于现有算法。