論文の概要: Dominance Move calculation using a MIP approach for comparison of multi
and many-objective optimization solution sets
- arxiv url: http://arxiv.org/abs/2001.03657v1
- Date: Fri, 10 Jan 2020 20:28:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 23:04:07.163591
- Title: Dominance Move calculation using a MIP approach for comparison of multi
and many-objective optimization solution sets
- Title（参考訳）: マルチ・多目的最適化解集合の比較のためのMIP法による支配移動計算
- Authors: Claudio Lucio do Val Lopes, Fl\'avio Vin\'icius Cruzeiro Martins, and
Elizabeth Fialho Wanner
- Abstract要約: 支配移動(Dominance move, DoM)は、多目的最適化に使用できるバイナリ品質指標である。
この研究は、3つ以上の目的を扱うためにDoMを計算および拡張するための新しいアプローチを示す。
- 参考スコア（独自算出の注目度）: 1.9212368803706579
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dominance move (DoM) is a binary quality indicator that can be used in
multiobjective optimization. It can compare solution sets while representing
some important features such as convergence, spread, uniformity, and
cardinality. DoM has an intuitive concept and considers the minimum move of one
set needed to weakly Pareto dominate the other set. Despite the aforementioned
properties, DoM is hard to calculate. The original formulation presents an
efficient and exact method to calculate it in a biobjective case only. This
work presents a new approach to calculate and extend DoM to deal with three or
more objectives. The idea is to use a mixed integer programming (MIP) approach
to calculate DoM. Some initial experiments, in the biobjective space, were done
to verify the model correctness. Furthermore, other experiments, using three,
five, and ten objective functions were done to show how the model behaves in
higher dimensional cases. Algorithms such as IBEA, MOEAD, NSGAIII, NSGAII, and
SPEA2 were used to generate the solution sets, however any other algorithms
could be used with DoM indicator. The results have confirmed the effectiveness
of the MIP DoM in problems with more than three objective functions. Final
notes, considerations, and future research are discussed to exploit some
solution sets particularities and improve the model and its use for other
situations.
- Abstract（参考訳）: 支配移動(Dominance move, DoM)は、多目的最適化に使用できるバイナリ品質指標である。
解集合を収束、拡散、均一性、濃度といった重要な特徴を表現しながら比較することができる。
DoM は直感的な概念を持ち、パレートが他の集合を支配するのに必要な集合の最小移動を考える。
上記の特性にもかかわらず、DoMは計算が難しい。
元の定式化は、バイオオブジェクトの場合のみに計算する効率的で正確な方法を示す。
この研究は、3つ以上の目的を扱うためにDoMを計算および拡張するための新しいアプローチを示す。
その考え方は、混合整数プログラミング(MIP)アプローチを使ってDoMを計算することである。
双目的空間におけるいくつかの実験は、モデルの正確性を検証するために行われた。
さらに,3,5,10の目的関数を用いて,高次元の場合においてモデルがどのように振る舞うかを示す実験を行った。
ibea, moead, nsgaiii, nsgaii, spea2などのアルゴリズムは解集合を生成するのに使われたが、domインジケータで他のアルゴリズムを使うことができる。
その結果、3つ以上の目的関数を持つ問題におけるMIP DoMの有効性が確認された。
最終注記、考察、今後の研究は、いくつかの解集合の特異性を活用し、モデルとその他の状況への利用を改善するために議論される。
関連論文リスト
- Decoding-Time Language Model Alignment with Multiple Objectives [116.42095026960598]
既存の手法は主に、1つの報酬関数に対してLMを最適化することに集中し、それらの適応性は様々な目的に制限される。
本稿では,予測の線形結合から次のトークンを出力する復号時間アルゴリズムである$textbfmulti-objective decoding (MOD)$を提案する。
提案手法は, 自然条件下であっても, 既存のアプローチが準最適であることを示すとともに, 提案手法の最適性を保証する。
論文 参考訳（メタデータ） (2024-06-27T02:46:30Z) - Towards Efficient Pareto Set Approximation via Mixture of Experts Based Model Fusion [53.33473557562837]
大規模深層ニューラルネットワークに対する多目的最適化問題を解くことは、損失ランドスケープの複雑さと高価な計算コストのために難しい課題である。
本稿では,専門家(MoE)をベースとしたモデル融合を用いて,この問題を実用的でスケーラブルに解決する手法を提案する。
特殊な単一タスクモデルの重みをまとめることで、MoEモジュールは複数の目的間のトレードオフを効果的に捉えることができる。
論文 参考訳（メタデータ） (2024-06-14T07:16:18Z) - MAP: Low-compute Model Merging with Amortized Pareto Fronts via Quadratic Approximation [80.47072100963017]
Amortized Pareto Front (MAP) を用いた新しい低演算アルゴリズム Model Merging を導入する。
MAPは、複数のモデルをマージするためのスケーリング係数のセットを効率的に識別し、関連するトレードオフを反映する。
また,タスク数が比較的少ないシナリオではベイジアンMAP,タスク数の多い状況ではNested MAPを導入し,計算コストを削減した。
論文 参考訳（メタデータ） (2024-06-11T17:55:25Z) - MindStar: Enhancing Math Reasoning in Pre-trained LLMs at Inference Time [51.5039731721706]
MindStarは、大言語モデルの純粋に推論に基づく探索手法である。
推論タスクを探索問題として定式化し、最適な推論経路を特定するための2つの探索アイデアを提案する。
Llama-2-13BやMistral-7Bのようなオープンソースモデルの推論能力を大幅に向上させ、GPT-3.5やGrok-1に匹敵する性能を実現している。
論文 参考訳（メタデータ） (2024-05-25T15:07:33Z) - UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [75.11267478778295]
マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。
重みベクトル w でパラメータ化される線型効用関数の場合に焦点を当てる。
学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
論文 参考訳（メタデータ） (2024-05-01T09:34:42Z) - Representation Learning with Multi-Step Inverse Kinematics: An Efficient
and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。
所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。
我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文 参考訳（メタデータ） (2023-04-12T14:51:47Z) - A Simple Evolutionary Algorithm for Multi-modal Multi-objective
Optimization [0.0]
マルチモーダル・多目的最適化問題(MMOP)を解くための定常進化アルゴリズムを提案する。
本報告では,1000関数評価の低計算予算を用いて,様々なテストスイートから得られた21個のMMOPの性能について報告する。
論文 参考訳（メタデータ） (2022-01-18T03:31:11Z) - Multi-Task Learning on Networks [0.0]
マルチタスク学習コンテキストで発生する多目的最適化問題は、特定の特徴を持ち、アドホックな方法を必要とする。
この論文では、入力空間の解は、関数評価に含まれる知識をカプセル化した確率分布として表現される。
確率分布のこの空間では、ワッサーシュタイン距離によって与えられる計量が与えられ、モデルが目的関数に直接依存しないような新しいアルゴリズムMOEA/WSTを設計することができる。
論文 参考訳（メタデータ） (2021-12-07T09:13:10Z) - Many Objective Bayesian Optimization [0.0]
マルチオブジェクトベイズ最適化(MOBO)は、ブラックボックスの同時最適化に成功している一連の手法である。
特に、MOBO法は、多目的最適化問題における目的の数が3以上である場合に問題があり、これは多くの目的設定である。
GPが測定値とアルゴリズムの有効性の予測分布を予測できるような,玩具,合成,ベンチマーク,実実験のセットで実証的な証拠を示す。
論文 参考訳（メタデータ） (2021-07-08T21:57:07Z) - Analyzing Dominance Move (MIP-DoM) Indicator for Multi- and
Many-objective Optimization [7.806475653929673]
支配移動(Dominance move, DoM)は、多目的および多目的最適化に使用できるバイナリ品質指標である。
本研究は,MIP(Mixed integer Programming)アプローチを用いた新しいDoM計算手法を提案する。
論文 参考訳（メタデータ） (2020-12-21T18:36:26Z) - An Assignment Problem Formulation for Dominance Move Indicator [2.955770350392987]
支配移動(Dominance move, DoM)は、多目的最適化における解集合を比較するためのバイナリ品質指標である。
この研究は、3つ以上の目的を持つ問題において、DoMに割り当ての定式化を提示する。
論文 参考訳（メタデータ） (2020-02-25T13:04:55Z)
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。