CTD separa convergência e diversidade em otimização bayesiana

O que aconteceu

O artigo "Converge Then Diversify: Decoupling Convergence and Diversity in Multi-Objective Bayesian Optimisation" foi submetido em 11 de setembro de 2026 e está disponível no arXiv sob o identificador arXiv:2609.13396v1, na área de Inteligência Artificial (cs.AI). A proposta central é decoupar duas tarefas que os métodos atuais tratam juntas.

O CTD, sigla de converge-then-diversify, divide a busca em dois estágios. No primeiro, o método prioriza convergência e leva a busca rapidamente até um único ponto da fronteira de Pareto. No segundo estágio, o CTD prioriza diversidade e espalha as soluções ao longo dessa fronteira. A abordagem converge-then-diversify foi apresentada em duas instanciações simples, construídas sobre funções de aquisição amplamente adotadas na área de otimização bayesiana multiobjetivo.

Os resultados vêm de 446 comparações pareadas. O CTD supera estatisticamente o estado da arte em 72,9% dos casos, empata em 21,1% e é estatisticamente pior em apenas 6,1%. O ganho é mais evidente em cenários com orçamento de avaliação muito apertado e em problemas de alta dimensionalidade, segundo o próprio artigo.

Contexto

MOBO, sigla de multi-objective Bayesian optimisation, é uma abordagem de baixo custo amostral para otimizar funções caras de caixa-preta com múltiplos objetivos. O objetivo do MOBO é aproximar bem a fronteira de Pareto, o conjunto de soluções não dominadas em que não dá para melhorar um objetivo sem piorar outro. Uma boa aproximação exige duas qualidades ao mesmo tempo: convergência, que é a proximidade em relação à fronteira de Pareto, e diversidade, que é o espalhamento das soluções ao longo dela.

Métodos existentes de MOBO tentam cumprir as duas tarefas simultaneamente. Empurram a busca em direção à fronteira de Pareto enquanto mantêm um conjunto diverso de soluções não dominadas, na expectativa de que o conjunto se aproxime gradualmente da fronteira inteira. Quando há orçamento de busca suficiente, a estratégia funciona. O ponto fraco aparece quando o orçamento é curto. Equilibrar convergência e diversidade durante toda a busca exige desenho cuidadoso, e com poucas avaliações disponíveis pode não haver soluções suficientes para se aproximar de toda a fronteira de Pareto ao mesmo tempo.

Por que importa

A otimização bayesiana multiobjetivo é usada quando cada avaliação custa caro. É o caso de funções de caixa-preta caras, definidas no artigo como o alvo típico do MOBO. Nesse tipo de problema, o número de avaliações é o recurso mais escasso, e cada avaliação desperdiçada pesa.

A contribuição do CTD é reconhecer que perseguir convergência e diversidade em paralelo é um luxo de quem tem orçamento sobrando. Ao concentrar o primeiro estágio em chegar rápido a um ponto da fronteira de Pareto e só depois espalhar as soluções, o método proposto troca uma busca ambiciosa por uma sequência mais realista. Para quem trabalha com restrição severa de avaliações, essa diferença aparece nos números: 72,9% de vitórias contra 6,1% de derrotas em 446 comparações.

Impacto

O resultado mais relevante do artigo é o recorte por dificuldade. A vantagem do CTD se concentra em cenários com orçamento muito apertado e em problemas de alta dimensionalidade, exatamente as situações em que métodos que tentam fazer tudo ao mesmo tempo tendem a se dispersar sem convergir.

Isso desloca o debate na área de MOBO. Durante anos, o esforço de pesquisa se concentrou em desenhar funções de aquisição que balanceassem os dois objetivos a cada iteração. O artigo mostra que, sob restrição de orçamento, a ordem das tarefas importa mais do que o equilíbrio instantâneo entre elas. As duas instanciações do CTD usam funções de aquisição já conhecidas, o que sugere que o ganho vem da estrutura em dois estágios, e não de um componente novo e exótico.

O que muda

Para quem desenvolve métodos de MOBO, a mensagem é que decoupar convergência e diversidade é uma alternativa viável ao desenho unificado. O artigo nomeia o problema com clareza: sob orçamentos muito apertados, não há soluções geradas em quantidade suficiente para aproximar toda a fronteira de Pareto de uma vez.

A comparação também estabelece um patamar de avaliação. O artigo reporta 446 comparações pareadas com resultados separados em três faixas: melhor, equivalente e pior. Esse formato dá à comunidade uma referência concreta para medir propostas futuras que sigam a mesma linha de decoupar as duas etapas.

O que vem agora

O artigo já está disponível publicamente no arXiv, com data de submissão em 11 de setembro de 2026 e identificador arXiv:2609.13396v1. O material inclui versão em PDF e uma versão HTML experimental, além de ferramentas de citação e de exploração bibliográfica associadas à página.

Os próximos passos naturais são a replicação dos resultados por outros grupos e a aplicação do esquema em dois estágios a outras funções de aquisição além das duas instanciações apresentadas. O artigo não informa prazos para revisão por pares nem para publicação em veículo definitivo.

Fontes

• arXiv cs.AI: "Converge Then Diversify: Decoupling Convergence and Diversity in Multi-Objective Bayesian Optimisation" (arXiv:2609.13396v1, submetido em 11 de setembro de 2026). https://arxiv.org/abs/2609.13396