qd

Quality Diversity(QD)によるパラメタ探索

概要

Quality Diversity（QD）による壺モデルのパラメータ探索を行うソースコード一式が含まれています。

この探索には、pyribs というQDのライブラリを使用しています。探索空間はCVT-MAP-Elitesと呼ばれる手法によって固定数のセルに分割されています。探索空間の軸であるbehavioral descriptor(BD)には、壺モデルで生成されたネットワークをgraph2vecで変換して使用しており、値域は[-5,5]です。

実行方法

behavioral descriptorのための前処理

make_model.py を実行してください。

$ python make_model.py

BDに用いられる64,128,256次元のgraph2vecのモデルが作成されます。

QDによる探索

このディレクトリ（/qd）に移動した上で，main.py を実行してください。 次元数はmake_model.pyで設定した64,128,256次元のいずれかを指定してください。

$ pwd # => /path/to/qd
$ python main.py {twitter,aps,synthetic} <dim> <cells> [rho] [nu] [{SSW,WSW}]

実行例を以下に示します。 ターゲットデータが実データ(twitter)でBDが128次元、分割するセル数が500の場合：

$ python main.py twiiter 128 500

ターゲットデータが合成データ(rho,nu,s)=(5,5,SSW)でBDが64次元、分割するセル数が750の場合の場合：

$ python main.py synthetic 64 750 5 5 SSW

実行を行うと，./results/{twitter,aps,synthetic} 以下に結果が保存されます。その中に各世代ごとのアーカイブデータと，最終的な結果が保存されます。 アーカイブデータは各世代ごと以下のような形式で、個体数(=占有されたセル数)分の行がdistance昇順にソートされた状態で出力されます。

rho,nu,recentness,frequency,distance
<float>,<float>,<float>,<float>,<float>
...

最終的な結果best.csvは以下のような形式で、最もターゲットデータとのdistanceが小さい個体の情報のみが出力されます。

rho,nu,recentness,frequency,distance
<float>,<float>,<float>,<float>,<float>

ハイパーパラメータチューニング

ターゲットデータごとに適したセル数,graph2vecで表現する次元数を探索する場合は、tuning.pyを実行してください。

$ python tuning.py <target_data>  [rho] [nu] [s]

結果は./results/hyperparams-search/<target>/cells<cells>/dim<dim>以下にmain.pyの結果と同じ形式で保存されます。tuning.pyの実行には時間がかかるため、注意してください。

チューニングした結果から最適なパラメータを見つけ、可視化できるようにするには、copy_best.pyを実行してください。

$ python copy_best.py <target_data>  [rho] [nu] [s]

results/hyperparams/にある各ハイパーパラメータでの結果から、最良のものがresults/にコピーされます。