論文の概要: A Two stage Adaptive Knowledge Transfer Evolutionary Multi-tasking Based
on Population Distribution for Multi/Many-Objective Optimization
- arxiv url: http://arxiv.org/abs/2001.00810v3
- Date: Fri, 26 Jun 2020 08:56:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-14 17:37:32.452509
- Title: A Two stage Adaptive Knowledge Transfer Evolutionary Multi-tasking Based
on Population Distribution for Multi/Many-Objective Optimization
- Title（参考訳）: 多目的最適化のための人口分布に基づく2段階適応的知識伝達進化型マルチタスク
- Authors: Zhengping Liang, Weiqi Liang, Xiuju Xu, Ling Liu and Zexuan Zhu
- Abstract要約: 本稿では,人口分布に基づく2段階適応型知識伝達進化型マルチタスク最適化アルゴリズムを提案する。
EMT-PDは確率モデルから抽出した知識に基づいてタスクの収束性能を加速し改善することができる。
マルチタスク多目的最適化テストスイートの実験結果から,EMT-PDは他の6つの進化的マルチ/シングルタスクアルゴリズムよりも優れていることが示された。
- 参考スコア（独自算出の注目度）: 12.53272339049236
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-tasking optimization can usually achieve better performance than
traditional single-tasking optimization through knowledge transfer between
tasks. However, current multi-tasking optimization algorithms have some
deficiencies. For high similarity problems, the knowledge that can accelerate
the convergence rate of tasks has not been fully taken advantages of. For low
similarity problems, the probability of generating negative transfer is high,
which may result in optimization performance degradation. In addition, some
knowledge transfer methods proposed previously do not fully consider how to
deal with the situation in which the population falls into local optimum. To
solve these issues, a two-stage adaptive knowledge transfer evolutionary
multi-tasking optimization algorithm based on population distribution, labeled
as EMT-PD, is proposed. EMT-PD can accelerate and improve the convergence
performance of tasks based on the knowledge extracted from the probability
model that reflects the search trend of the whole population. At the first
transfer stage, an adaptive weight is used to adjust the step size of
individual's search, which can reduce the impact of negative transfer. At the
second stage of knowledge transfer, the individual's search range is further
adjusted dynamically, which can improve the diversity of population and be
beneficial for jumping out of local optimum. Experimental results on
multi-tasking multi-objective optimization test suites show that EMT-PD is
superior to other six state-of-the-art evolutionary multi/single-tasking
algorithms. To further investigate the effectiveness of EMT-PD on
many-objective optimization problems, a multi-tasking many-objective test suite
is also designed in this paper. The experimental results on the new test suite
also demonstrate the competitiveness of EMT-PD.
- Abstract（参考訳）: マルチタスク最適化は通常、タスク間の知識伝達を通じて従来のシングルタスク最適化よりも優れたパフォーマンスを達成することができる。
しかし、現在のマルチタスク最適化アルゴリズムにはいくつかの欠点がある。
高類似性問題に対して、タスクの収束率を加速できる知識は、完全には受け取られていない。
類似度が低い場合、負の転送が発生する確率が高いため、最適化性能が劣化する可能性がある。
また, これまでに提案した知識伝達手法では, 住民が地域的最適に陥る状況に対処する方法を十分に考慮していないものもある。
この問題を解決するために,emt-pdと呼ばれる集団分布に基づく2段階適応型知識伝達進化型マルチタスク最適化アルゴリズムを提案する。
EMT-PDは、全人口の探索傾向を反映した確率モデルから抽出した知識に基づいて、タスクの収束性能を加速し改善することができる。
第1の転送段階では、個々の探索のステップサイズを調整するために適応重みが使用され、負の転送の影響を低減することができる。
知識伝達の第2段階では、個体の探索範囲はさらに動的に調整され、個体群の多様性を改善し、局所的最適から飛び出すのに役立つ。
マルチタスク多目的最適化テストスイートの実験結果から,EMT-PDは他の6つの進化的マルチ/シングルタスクアルゴリズムよりも優れていることが示された。
多目的最適化問題に対するemt-pdの有効性をさらに調査するため,マルチタスク多目的テストスイートも設計した。
新しいテストスイートの実験結果もEMT-PDの競争力を示している。
関連論文リスト
- Unlearning as multi-task optimization: A normalized gradient difference approach with an adaptive learning rate [105.86576388991713]
正規化勾配差(NGDiff)アルゴリズムを導入し、目的間のトレードオフをよりよく制御できるようにする。
本研究では,TOFUおよびMUSEデータセットにおける最先端の未学習手法において,NGDiffの優れた性能を実証的に実証し,理論的解析を行った。
論文 参考訳（メタデータ） (2024-10-29T14:41:44Z) - On-the-fly Modulation for Balanced Multimodal Learning [53.616094855778954]
マルチモーダル学習は、異なるモーダルからの情報を統合することでモデル性能を向上させることが期待されている。
広く使われている共同トレーニング戦略は、不均衡で最適化されていないユニモーダル表現につながる。
そこで本研究では,OGM(On-the-fly Prediction Modulation)とOGM(On-the-fly Gradient Modulation)の戦略を提案する。
論文 参考訳（メタデータ） (2024-10-15T13:15:50Z) - Optima: Optimizing Effectiveness and Efficiency for LLM-Based Multi-Agent System [75.25394449773052]
大規模言語モデル (LLM) に基づくマルチエージェントシステム (MAS) は協調的問題解決において顕著な可能性を示している。
通信効率の低下、スケーラビリティの低下、効果的なパラメータ更新方法の欠如などです。
本稿では,コミュニケーション効率とタスク効率を両立させ,これらの課題に対処する新しいフレームワークOptimaを提案する。
論文 参考訳（メタデータ） (2024-10-10T17:00:06Z) - Towards Multi-Objective High-Dimensional Feature Selection via
Evolutionary Multitasking [63.91518180604101]
本稿では,高次元特徴選択問題,すなわちMO-FSEMTのための新しいEMTフレームワークを開発する。
タスク固有の知識伝達機構は、各タスクの利点情報を活用するように設計され、高品質なソリューションの発見と効果的な伝達を可能にする。
論文 参考訳（メタデータ） (2024-01-03T06:34:39Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳（メタデータ） (2023-09-02T11:01:16Z) - Multitasking Evolutionary Algorithm Based on Adaptive Seed Transfer for
Combinatorial Problem [2.869730777051168]
進化的マルチタスク最適化(EMTO)は、ECコミュニティで新たなトピックとなっている。
M TEA-ASTは、同じドメインとクロスドメインのマルチタスク環境の両方において、知識を適応的に転送することができる。
提案手法は,4つのCOPによる実験において,他の最先端EMTOと比較して競合性能を示す。
論文 参考訳（メタデータ） (2023-08-24T08:43:32Z) - In Defense of the Unitary Scalarization for Deep Multi-Task Learning [121.76421174107463]
本稿では,多くの特殊マルチタスクを正規化の形式として解釈できることを示唆する理論解析について述べる。
標準正規化と安定化技術と組み合わせると、ユニタリスカラー化は複雑なマルチタスクの性能にマッチし、改善することを示す。
論文 参考訳（メタデータ） (2022-01-11T18:44:17Z) - AT-MFCGA: An Adaptive Transfer-guided Multifactorial Cellular Genetic
Algorithm for Evolutionary Multitasking [17.120962133525225]
本稿では,進化的マルチタスク環境を扱うための適応メタヒューリスティックアルゴリズムを提案する。
AT-MFCGAはセルラーオートマトンを利用して、検討中の最適化問題の知識を交換する機構を実装している。
論文 参考訳（メタデータ） (2020-10-08T12:00:10Z) - On the Transferability of Knowledge among Vehicle Routing Problems by
using Cellular Evolutionary Multitasking [6.943742860591444]
この研究は、最近提案されたMFCGA(Multifactorial Cellular Genetic Algorithm)のキャパシタントカールーティング問題(CVRP)への適用に焦点を当てている。
この研究の貢献は2つあるが、一方、MFCGAの自動車ルーティング問題ファミリーへの最初の応用である。他方、問題インスタンス間の正の遺伝伝達可能性の定量的解析に焦点をあてた第2の貢献は、同様に興味深い。
論文 参考訳（メタデータ） (2020-05-11T12:58:00Z) - dMFEA-II: An Adaptive Multifactorial Evolutionary Algorithm for
Permutation-based Discrete Optimization Problems [6.943742860591444]
本稿では、最近導入されたMFEA-II(Multifactorial Evolutionary Algorithm II)を、置換に基づく離散環境に適用する。
提案手法の性能を5種類のマルチタスク設定で評価した。
論文 参考訳（メタデータ） (2020-04-14T14:42:47Z) - Multifactorial Cellular Genetic Algorithm (MFCGA): Algorithmic Design,
Performance Comparison and Genetic Transferability Analysis [17.120962133525225]
多目的最適化は先進的な研究領域であり、近年顕著な研究の勢いを増している。
本稿では,多因子最適化シナリオのための新しいアルゴリズムスキームを提案する。
提案したMFCGAはセルオートマタの概念に基づいて,問題間の知識交換機構を実装している。
論文 参考訳（メタデータ） (2020-03-24T11:03:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。