Fugu-MT 論文翻訳(概要): The Neighbours' Similar Fitness Property for Local Search

論文の概要: The Neighbours' Similar Fitness Property for Local Search

arxiv url: http://arxiv.org/abs/2001.02872v1
Date: Thu, 9 Jan 2020 07:53:56 GMT
ステータス: 処理完了
システム内更新日: 2023-01-13 05:04:46.739707
Title: The Neighbours' Similar Fitness Property for Local Search
Title（参考訳）: 地域探索における近隣住民の類似性特性
Authors: Mark Wallace and Aldeida Aleti
Abstract要約: 近隣住民の類似性度 (NSF) は, 地域的改善の観点から, 地域探索の優れた性能を生かしている。 NSFは、良い解の隣人の間で改善を求めるのがランダムな探索より優れていることを保証するには不十分である。本稿では,NSFの景観において,近隣の探索がランダム検索に勝るという一般的な証明を支持する,追加の(自然な)特性を紹介する。
参考スコア（独自算出の注目度）: 5.049586563330359
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: For most practical optimisation problems local search outperforms random sampling - despite the "No Free Lunch Theorem". This paper introduces a property of search landscapes termed Neighbours' Similar Fitness (NSF) that underlies the good performance of neighbourhood search in terms of local improvement. Though necessary, NSF is not sufficient to ensure that searching for improvement among the neighbours of a good solution is better than random search. The paper introduces an additional (natural) property which supports a general proof that, for NSF landscapes, neighbourhood search beats random search.
Abstract（参考訳）: ほとんどの実用的な最適化問題に対して、局所探索は「No Free Lunch Theorem」にもかかわらずランダムサンプリングよりも優れている。本稿では,NSF (Nighbours' similar Fitness) と呼ばれる,地域的改善の観点から,近隣検索の優れた性能の基盤となる検索景観の特性を紹介する。 NSFは、良い解の隣人の間で改善を求めるのがランダムな探索より優れていることを保証するのに十分ではない。本稿では,NSFの景観において,近隣の探索がランダム検索に勝るという一般的な証明を支持する,追加の(自然な)特性を紹介する。

関連論文リスト

Minimal Conditions for Beneficial Neighbourhood Search and Local Descent [0.0]
近隣住民の検索は、ブラインド検索よりも単一の検索ステップで改善されたソリューションを見出す傾向にある。実験により、目標tが与えられた局所ブラインド降下は、開始コストで局所降下に切り替えるべきであることが示され、tが最適に近づくにつれて減少する。
論文参考訳（メタデータ） (2024-11-08T01:47:40Z)
Adaptive Anytime Multi-Agent Path Finding Using Bandit-Based Large Neighborhood Search [30.364955687049292]
MAPFはLarge Neborhood Search(LNS)に基づいている探索を併用したBandit-based Adaptive LArge Neighborhood Search(BALANCE)を提案する。大規模シナリオでは、最先端のMAPFと比較して、少なくとも50%のコスト改善が実証的に実証されている。
論文参考訳（メタデータ） (2023-12-28T01:24:42Z)
Best-$k$ Search Algorithm for Neural Text Generation [118.02691398555781]
本稿では,品質と多様性のバランスをとる決定論的探索アルゴリズムを提案する。提案アルゴリズムはパラメータフリーで、軽量で、効率的で、使いやすくなっている。
論文参考訳（メタデータ） (2022-11-22T00:26:13Z)
Particle Swarm Optimization based on Novelty Search [0.0]
そこで本研究では,N yetty Searchと組み合わせたParticle Swarm Optimizationアルゴリズムを提案する。この方法は、客観的な自由であるノベルティサーチによって制御されるため、ローカルオプティマではブロックされない。一連の実験により、複素最適化テスト関数に対する現在のアルゴリズムの堅牢性と有効性が証明された。
論文参考訳（メタデータ） (2022-02-10T07:41:06Z)
Exploring Complicated Search Spaces with Interleaving-Free Sampling [127.07551427957362]
本稿では,長距離接続を伴う複雑な検索空間上に探索アルゴリズムを構築する。我々はtextbfIF-NAS という単純なアルゴリズムを提案し、異なるサブネットワークを構築するために周期的なサンプリング戦略を実行する。提案した探索空間において、IF-NASはランダムサンプリングと従来の重み付け検索のアルゴリズムを有意差で上回っている。
論文参考訳（メタデータ） (2021-12-05T06:42:48Z)
Minimal Conditions for Beneficial Local Search [0.0]
本稿では,問題の解決において,現在の解の近傍で探索することがなぜ有益であるかを考察する。本論文は, 近辺探索が盲点探索よりも有益であることを示す2つの新しい証明を支持する問題と近隣領域の特性を同定する。
論文参考訳（メタデータ） (2021-10-17T07:02:50Z)
Local policy search with Bayesian optimization [73.0364959221845]
強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。局所探索のための政策勾配は、しばしばランダムな摂動から得られる。目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
論文参考訳（メタデータ） (2021-06-22T16:07:02Z)
BR-NS: an Archive-less Approach to Novelty Search [70.13948372218849]
行動認識に基づく新規性探索(BR-NS)という,新規性推定の代替手法について議論する。 BR-NSはアーカイブを必要とせず、行動空間で定義できるメトリクスを前提にせず、近隣の検索に依存しません。我々は、その実現可能性とダイナミクス、および時間複雑性の観点からアーカイブベースのnsよりも潜在的に有利な点について洞察を得るために実験を行う。
論文参考訳（メタデータ） (2021-04-08T17:31:34Z)
Leveraging Reinforcement Learning for evaluating Robustness of KNN Search Algorithms [0.0]
与えられたクエリポイントのデータセットでk-nearestの隣人を見つける問題は、数年前から解決されてきた。本稿では,K-Nearest Neighbor Search(K-Nearest Neighbor Search)の手法について,計算の視点から検討する。本論文では,KNNSアプローチの対敵点に対する堅牢性を評価するために,汎用的な強化学習ベースのフレームワークを提案する。
論文参考訳（メタデータ） (2021-02-10T16:10:58Z)
Best-First Beam Search [78.71330480725668]
本研究では,ビームサーチの標準実装を10倍高速に実現可能であることを示す。ダウンストリーム性能の面でも同様に有益な探索バイアスを有するBest-First Beam Searchのメモリ再生版を提案する。
論文参考訳（メタデータ） (2020-07-08T05:56:01Z)
Robust Partial Matching for Person Search in the Wild [70.6661871706788]
本稿では、人物検出と再同定のためのAPNet(Align-to-Part Network)を提案する。 APNetは、推定された全体体領域をカバーする境界ボックスを検出する。 CUHK-SYSUやPRWといった既存の人物検索ベンチマーク上での競合性能を実現している。
論文参考訳（メタデータ） (2020-04-20T14:21:03Z)

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。