La técnica CTD supera a los algoritmos de referencia en el 72,9 % de las pruebas de optimización bayesiana multiobjetivo

El equipo de investigación integrado por Chao Jiang, Yueling Huang y Miqing Li presentó el 11 de septiembre de 2026 la metodología «Converger y luego diversificar» (CTD), una técnica que desacopla la convergencia y la diversidad en dos etapas e impone su rendimiento en el 72,9 % de 446 comparaciones experimentales.

Contexto técnico y fundamentos

La optimización matemática, también denominada programación matemática, consiste en seleccionar el mejor elemento de un conjunto de alternativas disponibles en función de criterios específicos. Dividida principalmente en optimización discreta y continua, esta disciplina cuenta con siglos de estudio y se aplica en áreas cuantitativas como la informática, la ingeniería, la investigación operativa y la economía [2].

Dentro de este ámbito, la optimización bayesiana multiobjetivo permite explorar de forma eficiente funciones complejas de tipo «caja negra» de elevado coste computacional. Su objetivo radica en alcanzar simultáneamente la convergencia hacia el frente de Pareto y la diversidad suficiente para distribuir las soluciones de manera uniforme a lo largo de dicho frente. Los métodos convencionales buscan guiar la búsqueda al frente mientras mantienen un conjunto de soluciones no dominadas en un único proceso continuo [1].

Sin embargo, este paradigma simultáneo presenta limitaciones cuando el presupuesto de cálculo es muy estricto, ya que no se logran generar suficientes soluciones para aproximarse a todo el frente de forma paralela. Para resolver este cuello de botella, el equipo de investigación propuso separar el procedimiento en dos fases secuenciales: primero converger con rapidez hacia un único punto del frente de Pareto y, posteriormente, diversificar las soluciones a lo largo de toda la frontera [1].

Cifras clave y resultados experimentales

El estudio técnico fue depositado en el repositorio abierto arXiv el 11 de septiembre de 2026 a las 18:04:56 UTC, registrado bajo la referencia arXiv:2609.13396 (categorías cs.AI y stat.ML), con una extensión de 26 páginas, 4 figuras y un tamaño de 921 KB [1].

Los autores implementaron dos variantes con funciones de adquisición de uso común y llevaron a cabo 446 evaluaciones directas frente a algoritmos de referencia del estado del arte:

El porcentaje combinado de desempeño superior y equivalente alcanzó el 94,0 % (cálculo: 446 × 0,94 = aprox. 419,24 casos, representativo de unas 419 pruebas). La tasa de inferioridad estadística se limitó al 6,1 % (alrededor de 27 casos). Esta ventaja operativa se acentuó principalmente en escenarios con presupuestos de evaluación severamente restringidos y en problemas de alta dimensión [1].

Impacto en el desarrollo de inteligencia artificial

La implementación de CTD incide de manera directa en los equipos de desarrollo de inteligencia artificial que gestionan recursos computacionales escasos o abordan problemas de optimización multidimensionales. Al estructurar la búsqueda en dos fases, se reduce el número de iteraciones improductivas destinadas a calcular simultáneamente la aproximación y la dispersión de soluciones.

En procedimientos de aligeramiento y compresión de modelos de IA —donde es indispensable equilibrar el rendimiento del modelo con la velocidad de inferencia—, este método permite localizar configuraciones óptimas en el frente de Pareto con menos ciclos de prueba. La consiguiente reducción en las rondas de exploración aminora el tiempo de desarrollo y los costes asociados al alquiler de aceleradores de cálculo en la nube.

Próximos pasos y estado del proyecto

A partir del envío inicial registrado el 11 de septiembre de 2026, el identificador de objeto digital (DOI) emitido por arXiv mediante DataCite permanece en estado formal de registro pendiente (arXiv-issued DOI via DataCite pending registration) [1].

Por el momento, no se ha hecho pública la liberación del código fuente bajo licencia abierta ni se ha fijado una fecha de presentación o aceptación en conferencias académicas formales. El hito técnico inmediato radica en la confirmación definitiva del registro DOI de la primera versión (v1) del artículo [1].

Fuentes

1. Converge Then Diversify: Decoupling Convergence and Diversity in Multi-Objective Bayesian Optimisation — arXiv cs.AI 신규 논문
2. Mathematical optimization — Wikipedia (en)