본 논문은 다양하고 고성능의 해결책을 발견하는 데 강력한 도구인 품질-다양성(Quality-Diversity, QD) 알고리즘의 다중 목표 품질-다양성(Multi-Objective Quality-Diversity, MOQD) 확장에 대해 다룹니다. 기존 MOQD 방법들은 특징 공간을 격자 구조로 분할하는 데 의존하여 미지의 또는 학습되어야 하는 특징 공간(예: 복잡한 생물 시스템 또는 잠재 탐색 작업)이 있는 영역에는 적용할 수 없다는 한계를 지닙니다. 본 연구에서는 비구조적이고 무한한 특징 공간을 위해 설계된 MOQD 알고리즘인 다중 목표 비구조 레퍼토리 품질-다양성(Multi-Objective Unstructured Repertoire for Quality-Diversity, MOUR-QD)을 제시합니다. 5가지 로봇 작업에 대한 평가를 통해 특징을 학습해야 하는 작업에서 뛰어난 성능을 보이며, 비지도 학습 영역에 MOQD를 적용할 수 있는 길을 열었습니다. 또한 무한한 특징 공간을 가진 영역에서 기존 격자 기반 방법보다 우수한 성능을 보이며, 기존 MOQD 작업에서는 기존 MOQD 방법과 경쟁력 있는 성능을 보이고 일부 환경에서는 MOQD 점수를 두 배 달성했습니다. MOUR-QD는 단백질 설계 및 이미지 생성과 같은 영역에서 MOQD에 대한 새로운 기회를 제공합니다.
