論文の概要: MOEA/D with Random Partial Update Strategy

• arxiv url: http://arxiv.org/abs/2001.06980v1
• Date: Mon, 20 Jan 2020 05:13:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-08 04:54:47.836111
• Title: MOEA/D with Random Partial Update Strategy
• Title（参考訳）: ランダム部分更新戦略によるmoea/d
• Authors: Yuri Lavinas, Claus Aranha, Marcelo Ladeira and Felipe Campelo
• Abstract要約: そこで本研究では,各イテレーションで解のランダムなサブセットが選択される,よりシンプルな部分的更新戦略について検討する。 その結果、MOEA/Dを新しい部分更新戦略で使用すると、HVおよびIGD値が向上し、非支配的な解の比率が大幅に高くなることが示唆された。
• 参考スコア（独自算出の注目度）: 0.04588028371034406
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent studies on resource allocation suggest that some subproblems are more important than others in the context of the MOEA/D, and that focusing on the most relevant ones can consistently improve the performance of that algorithm. These studies share the common characteristic of updating only a fraction of the population at any given iteration of the algorithm. In this work we investigate a new, simpler partial update strategy, in which a random subset of solutions is selected at every iteration. The performance of the MOEA/D using this new resource allocation approach is compared experimentally against that of the standard MOEA/D-DE and the MOEA/D with relative improvement-based resource allocation. The results indicate that using the MOEA/D with this new partial update strategy results in improved HV and IGD values, and a much higher proportion of non-dominated solutions, particularly as the number of updated solutions at every iteration is reduced.
• Abstract（参考訳）: 資源割当に関する最近の研究は、moea/dの文脈において、いくつかの部分問題は他の問題よりも重要であり、最も関連する問題に焦点を合わせれば、アルゴリズムのパフォーマンスを一貫して改善できることを示唆している。 これらの研究は、アルゴリズムの任意のイテレーションで人口のほんの一部だけを更新するという共通の特徴を共有している。 そこで本研究では,各イテレーションで解のランダムなサブセットが選択される,よりシンプルな部分的更新戦略について検討する。 この新たなリソース割り当て手法を用いたMOEA/Dの性能は、標準的なMOEA/D-DEとMOEA/Dの相対的な改善に基づくリソース割り当てと比較して実験的に比較される。 その結果、MOEA/Dを新しい部分更新戦略で使用すると、HVおよびIGD値が改善され、特にイテレーション毎に更新されたソリューションの数が減少するにつれて、非支配的なソリューションの比率が大幅に高くなることが示唆された。

関連論文リスト

• PracticalDG: Perturbation Distillation on Vision-Language Models for Hybrid Domain Generalization [24.413415998529754]
  本稿では,Hybrid Domain Generalization (HDG) と,アルゴリズムのロバスト性を評価するために,様々な分割を構成する新しい指標である$H2$-CVを提案する。 提案手法は,複数のデータセット上での最先端アルゴリズムよりも優れており,特にデータ不足に直面する場合のロバスト性の向上に寄与する。
  論文  参考訳（メタデータ） (2024-04-13T13:41:13Z)
• Less is More: Fewer Interpretable Region via Submodular Subset Selection [54.07758302264416]
  本稿では,上述の画像帰属問題を部分モジュラ部分選択問題として再モデル化する。 我々は、より正確な小さな解釈領域を発見するために、新しい部分モジュラー関数を構築する。 正しく予測されたサンプルに対しては,HSIC-Attributionに対する平均4.9%と2.5%の利得で,Deletion and Insertionスコアを改善した。
  論文  参考訳（メタデータ） (2024-02-14T13:30:02Z)
• Federated Learning Aggregation: New Robust Algorithms with Guarantees [63.96013144017572]
  エッジでの分散モデルトレーニングのために、フェデレートラーニングが最近提案されている。 本稿では,連合学習フレームワークにおける集約戦略を評価するために,完全な数学的収束解析を提案する。 損失の値に応じてクライアントのコントリビューションを差別化することで、モデルアーキテクチャを変更できる新しい集約アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2022-05-22T16:37:53Z)
• Stochastic Gradient Descent-Ascent: Unified Theory and New Efficient Methods [73.35353358543507]
  SGDA(Gradient Descent-Ascent)は、min-max最適化と変分不等式問題(VIP)を解くための最も顕著なアルゴリズムの1つである。 本稿では,多種多様な降下指数法を網羅した統合収束解析を提案する。 本研究では,新しい分散化手法 (L-SVRGDA) や,新しい分散圧縮方式 (QSGDA, DIANA-SGDA, VR-DIANA-SGDA) ,座標ランダム化方式 (SEGA-SGDA) など,SGDAの新しい変種を開発した。
  論文  参考訳（メタデータ） (2022-02-15T09:17:39Z)
• Faster Convergence in Multi-Objective Optimization Algorithms Based on Decomposition [0.07734726150561087]
  本研究は,MOEA/Dと部分更新戦略の効果について検討した。 以上の結果から,MOEA/Dの検索速度は,MOEA/Dの人口規模が小さく,MOEA/Dの検索速度が向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-12-21T07:33:06Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)
• Model-Based Domain Generalization [96.84818110323518]
  本稿では,モデルベースドメイン一般化問題に対する新しいアプローチを提案する。 我々のアルゴリズムは、最新のwildsベンチマークの最先端手法を最大20ポイント上回った。
  論文  参考訳（メタデータ） (2021-02-23T00:59:02Z)
• Integer Programming for Causal Structure Learning in the Presence of Latent Variables [28.893119229428713]
  本稿では,整数プログラミング(IP)の定式化を解き,連続変数の集合に対してスコア最大化祖先ADMGを返却する,新しい正確なスコアベース手法を提案する。 特に、DAG学習問題に対する最先端IPモデルを一般化し、有効な不等式の新しいクラスを導出し、IPベースのADMG学習モデルを形式化する。
  論文  参考訳（メタデータ） (2021-02-05T12:10:16Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)
• Many-Objective Estimation of Distribution Optimization Algorithm Based on WGAN-GP [1.2461503242570644]
  EDAは多目的最適問題(MOP)をよりよく解決できる We generate the new population by Wasserstein Generative Adversarial Networks-Gradient Penalty (WGAN-GP)
  論文  参考訳（メタデータ） (2020-03-16T03:14:59Z)
• Solving Portfolio Optimization Problems Using MOEA/D and Levy Flight [5.167794607251493]
  本稿では,L'evy Flightと命名された分布型突然変異法をMOEA/Dという分解型MOEAに注入する手法を提案する。 数値的な結果と統計的テストにより、ほとんどの場合、この手法は比較法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-03-15T02:14:53Z)

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。