Fugu-MT 論文翻訳(概要): Differential Evolution with Reversible Linear Transformations

論文の概要: Differential Evolution with Reversible Linear Transformations

arxiv url: http://arxiv.org/abs/2002.02869v1
Date: Fri, 7 Feb 2020 16:05:54 GMT
ステータス: 処理完了
システム内更新日: 2023-01-03 04:19:51.523885
Title: Differential Evolution with Reversible Linear Transformations
Title（参考訳）: 可逆線型変換による微分進化
Authors: Jakub M. Tomczak and Ewelina Weglarz-Tomczak and Agoston E. Eiben
Abstract要約: 本稿では,3重項解に適用した可逆線形変換を利用して,新しい候補解を生成することを提案する。言い換えれば、新生個体を適合性を評価することなく利用することで人口を拡大する。
参考スコア（独自算出の注目度）: 8.873449722727026
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Differential evolution (DE) is a well-known type of evolutionary algorithms (EA). Similarly to other EA variants it can suffer from small populations and loose diversity too quickly. This paper presents a new approach to mitigate this issue: We propose to generate new candidate solutions by utilizing reversible linear transformation applied to a triplet of solutions from the population. In other words, the population is enlarged by using newly generated individuals without evaluating their fitness. We assess our methods on three problems: (i) benchmark function optimization, (ii) discovering parameter values of the gene repressilator system, (iii) learning neural networks. The empirical results indicate that the proposed approach outperforms vanilla DE and a version of DE with applying differential mutation three times on all testbeds.
Abstract（参考訳）: 微分進化 (DE) は、進化アルゴリズム(EA)の一種である。他のEA変種と同様に、小さな個体数と緩やかな多様性に悩まされることがある。本稿では,この問題を緩和するための新しいアプローチを提案する: 人口の3倍の解に適用した可逆線形変換を利用して,新しい候補解を生成する。言い換えれば、新生個体を適合性を評価することなく利用することで人口を拡大する。 3つの問題に対する方法を評価します (i)ベンチマーク関数の最適化 (ii)遺伝子抑制剤システムのパラメータ値の発見 (iii)ニューラルネットワークの学習。実験結果から,提案手法は全てのテストベッドで3回異なる突然変異を施したdeとvanilla deを上回っていた。

関連論文リスト

ODE Discovery for Longitudinal Heterogeneous Treatment Effects Inference [69.24516189971929]
本稿では, 閉形式常微分方程式(ODE)という, 縦条件下での新しい解法を提案する。私たちはまだODEを学ぶために継続的な最適化に依存していますが、結果として生じる推論マシンはもはやニューラルネットワークではありません。
論文参考訳（メタデータ） (2024-03-16T02:07:45Z)
Benchmarking Differential Evolution on a Quantum Simulator [0.0]
微分進化(DE)はラストリギン関数やローゼンブロック関数などの関数の最小値を計算するために用いられる。この研究は、古典的チューリングモデル計算で生成される候補個体を用いて、これらの関数にDE法を適用した結果の研究である。
論文参考訳（メタデータ） (2023-11-06T14:27:00Z)
Variational Laplace Autoencoders [53.08170674326728]
変分オートエンコーダは、遅延変数の後部を近似するために、償却推論モデルを用いる。完全分解ガウス仮定の限定的後部表現性に対処する新しい手法を提案する。また、深部生成モデルのトレーニングのための変分ラプラスオートエンコーダ(VLAE)という一般的なフレームワークも提示する。
論文参考訳（メタデータ） (2022-11-30T18:59:27Z)
Vector-Valued Least-Squares Regression under Output Regularity Assumptions [73.99064151691597]
最小二乗回帰問題を無限次元出力で解くために,還元ランク法を提案し,解析する。提案手法の学習バウンダリを導出し、フルランク手法と比較して統計的性能の設定を改善する研究を行う。
論文参考訳（メタデータ） (2022-11-16T15:07:00Z)
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)
Detecting Communities in Complex Networks using an Adaptive Genetic Algorithm and node similarity-based encoding [4.0714739042536845]
ネットワーク分割を MST と呼ぶ個人として表現するためのノード類似性に基づく新しい符号化手法を提案する。提案手法を用いて, 類似性に基づく手法とモジュール性最適化に基づく手法を組み合わせて, 複雑なネットワークのコミュニティを見つける。
論文参考訳（メタデータ） (2022-01-24T09:06:40Z)
Revisiting Transformation Invariant Geometric Deep Learning: Are Initial Representations All You Need? [80.86819657126041]
変換不変および距離保存初期表現は変換不変性を達成するのに十分であることを示す。具体的には、多次元スケーリングを変更することで、変換不変かつ距離保存された初期点表現を実現する。我々は、TinvNNが変換不変性を厳密に保証し、既存のニューラルネットワークと組み合わせられるほど汎用的で柔軟なことを証明した。
論文参考訳（メタデータ） (2021-12-23T03:52:33Z)
Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
論文参考訳（メタデータ） (2021-10-24T07:58:13Z)
Evolving Evolutionary Algorithms using Linear Genetic Programming [0.0]
このモデルは線形遺伝的プログラミング(LGP)技術に基づいている。機能最適化のためのいくつかの進化的アルゴリズム、トラベリングセールスマン問題、および擬似アサインメント問題は、検討されたモデルを用いて進化する。
論文参考訳（メタデータ） (2021-08-21T19:15:07Z)
A Multi-objective Evolutionary Algorithm for EEG Inverse Problem [0.0]
本稿では,脳波逆問題に対する多目的アプローチを提案する。この問題の特徴から、この代替案にはそれを解決するための進化戦略が含まれていた。その結果、分散ソリューションを推定するために、MOEAAR(Anatomical Restrictions)に基づく多目的進化的アルゴリズムが得られた。
論文参考訳（メタデータ） (2021-07-21T19:37:27Z)
Devolutionary genetic algorithms with application to the minimum labeling Steiner tree problem [0.0]
本稿では、進化的遺伝的アルゴリズムを特徴付けるとともに、最小ラベル付けスタイナーツリー(MLST)問題を解く際の性能を評価する。我々は、進化的アルゴリズムを、時間とともに超最適で実現不可能な解の集団を進化させることによって実現可能な解に到達する過程として定義する。我々は, 交叉, 突然変異, 適合性などの古典的進化的概念が, 最適解, 最適解に到達するためにどのように適応できるかを示す。
論文参考訳（メタデータ） (2020-04-18T13:27:28Z)

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。