論文の概要: Fairness in Bio-inspired Optimization Research: A Prescription of
Methodological Guidelines for Comparing Meta-heuristics
- arxiv url: http://arxiv.org/abs/2004.09969v1
- Date: Sun, 19 Apr 2020 04:46:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-11 23:45:50.835820
- Title: Fairness in Bio-inspired Optimization Research: A Prescription of
Methodological Guidelines for Comparing Meta-heuristics
- Title(参考訳): バイオインスパイアド最適化研究の公平性--メタヒューリスティックス比較のための方法論ガイドラインの処方
- Authors: Antonio LaTorre, Daniel Molina, Eneko Osaba, Javier Del Ser, Francisco
Herrera
- Abstract要約: 本稿では,新しいバイオインスパイアされたアルゴリズムの提案を成功させるための方法論的ガイドラインを提案する。
著者らが報告した結果は、過去の結果よりも大幅に進歩することが証明されるべきである。
我々は、これらのガイドラインが著者だけでなく、レビュアーや編集者にも有用であると期待している。
- 参考スコア(独自算出の注目度): 20.732078407331507
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bio-inspired optimization (including Evolutionary Computation and Swarm
Intelligence) is a growing research topic with many competitive bio-inspired
algorithms being proposed every year. In such an active area, preparing a
successful proposal of a new bio-inspired algorithm is not an easy task. Given
the maturity of this research field, proposing a new optimization technique
with innovative elements is no longer enough. Apart from the novelty, results
reported by the authors should be proven to achieve a significant advance over
previous outcomes from the state of the art. Unfortunately, not all new
proposals deal with this requirement properly. Some of them fail to select an
appropriate benchmark or reference algorithms to compare with. In other cases,
the validation process carried out is not defined in a principled way (or is
even not done at all). Consequently, the significance of the results presented
in such studies cannot be guaranteed. In this work we review several
recommendations in the literature and propose methodological guidelines to
prepare a successful proposal, taking all these issues into account. We expect
these guidelines to be useful not only for authors, but also for reviewers and
editors along their assessment of new contributions to the field.
- Abstract(参考訳): バイオインスパイアされた最適化(進化計算やSwarm Intelligenceを含む)は、毎年多くの競合するバイオインスパイアされたアルゴリズムが提案されている研究トピックである。
このような活発な領域では、新しいバイオインスパイアされたアルゴリズムの提案を成功させるのは容易ではない。
この研究分野の成熟を考えると、革新的な要素による新しい最適化手法の提案はもはや不十分である。
新規性とは別に、著者が報告した成果は、芸術の状況から過去の成果よりも大幅に進歩することが証明されるべきである。
残念ながら、すべての新しい提案がこの要件を適切に扱うわけではない。
それらの一部は、比較する適切なベンチマークや参照アルゴリズムの選択に失敗している。
他の場合では、実行された検証プロセスは原則的な方法で定義されない(あるいは全く行われない)。
したがって、このような研究で示された結果の意義は保証できない。
本稿では,文献におけるいくつかの勧告をレビューし,これらの課題を考慮し,提案を成功させるための方法論的ガイドラインを提案する。
これらのガイドラインは、著者だけでなく、レビュアーや編集者にとっても、この分野への新たな貢献を評価する上で有用であると期待しています。
関連論文リスト
- Rethinking and Benchmarking Predict-then-Optimize Paradigm for
Combinatorial Optimization Problems [62.25108152764568]
多くのWebアプリケーションは、エネルギーコストを考慮したスケジューリング、Web広告の予算配分、ソーシャルネットワークでのグラフマッチングなど、最適化問題の解決に頼っている。
統一システムにおける予測と意思決定の性能について考察する。
我々は、現在のアプローチを包括的に分類し、既存の実験シナリオを統合する。
論文 参考訳(メタデータ) (2023-11-13T13:19:34Z) - SciMON: Scientific Inspiration Machines Optimized for Novelty [74.78803157606083]
文献に基づく新たな科学的方向を生成するために,ニューラルランゲージモデルを探索し,拡張する。
モデルが入力背景コンテキストとして使用される新しい設定で、劇的な出発をとっています。
本稿では,過去の科学的論文から「吸入」を抽出するモデリングフレームワークであるSciMONを紹介する。
論文 参考訳(メタデータ) (2023-05-23T17:12:08Z) - Perfectionism Search Algorithm (PSA): An Efficient Meta-Heuristic
Optimization Approach [0.0]
本稿では,Perfectionism Search Algorithm (PSA) と呼ばれる,人口ベースメタヒューリスティック最適化アルゴリズムを提案する。
PSAアルゴリズムはヒューイットとフレットによって提案された完全主義の最も一般的なモデルの一つから着想を得ている。
その結果,他のよく知られたアルゴリズムと比較して,提案アルゴリズムの高性能性を確認した。
論文 参考訳(メタデータ) (2023-04-22T22:06:31Z) - A Gold Standard Dataset for the Reviewer Assignment Problem [117.59690218507565]
類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。
私たちのデータセットは、58人の研究者による477の自己申告された専門知識スコアで構成されています。
2つの論文をレビュアーに関連付けるタスクは、簡単なケースでは12%~30%、ハードケースでは36%~43%である。
論文 参考訳(メタデータ) (2023-03-23T16:15:03Z) - Evaluating the Predictive Performance of Positive-Unlabelled
Classifiers: a brief critical review and practical recommendations for
improvement [77.34726150561087]
Positive-Unlabelled (PU) 学習は機械学習の領域として成長している。
本稿では、PU分類器を提案する51の論文において、主要なPU学習評価手法と予測精度の選択について批判的にレビューする。
論文 参考訳(メタデータ) (2022-06-06T08:31:49Z) - Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。
我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。
これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
論文 参考訳(メタデータ) (2022-02-21T13:18:11Z) - Evolutionary Multitask Optimization: Fundamental Research Questions,
Practices, and Directions for the Future [10.330156481082698]
このコミュニケーションは、読者がこれらの問題を振り返り、なぜ未解決のままなのかを合理的に示すことを目的としている。
具体的には,進化的マルチタスク最適化の3つの重要な点を強調する。
本研究の結果,この将来性のある分野を正しい軌道で維持するためには,コミュニティが重要な取り組みを行う必要があると結論付けている。
論文 参考訳(メタデータ) (2021-11-29T11:23:51Z) - A Novel Paper Recommendation Method Empowered by Knowledge Graph: for
Research Beginners [0.0]
マスタースレーブ」なドメイン知識グラフは、ユーザの要求をより正確に表現し、レコメンデーションシステムが知識をより正確に表現するのに役立つ。
実験結果は,提案手法を用いた研究初心者によるクロスドメインシナリオにおける新しい技術論文の取得の可能性を示した。
論文 参考訳(メタデータ) (2021-03-16T03:06:06Z) - Exploration in two-stage recommender systems [79.50534282841618]
2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。
このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。
そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
論文 参考訳(メタデータ) (2020-09-01T16:52:51Z) - Benchmarking in Optimization: Best Practice and Open Issues [9.710173903804373]
この調査は、異なる背景を持つ12人以上の研究者と、世界中の異なる研究所のアイデアとレコメンデーションをまとめたものだ。
本稿は、ベンチマークにおける8つの重要なトピックについて論じる: 明確な目標、明確に定義された問題、適切なアルゴリズム、適切なパフォーマンス対策、思慮深い分析、効率的かつ効率的な設計、理解可能なプレゼンテーション、保証。
論文 参考訳(メタデータ) (2020-07-07T14:20:26Z) - Comprehensive Taxonomies of Nature- and Bio-inspired Optimization:
Inspiration versus Algorithmic Behavior, Critical Analysis and
Recommendations [20.21566368760702]
我々は、自然にインスパイアされた生物にインスパイアされたアルゴリズムを扱う300以上の出版物についてレビューする。
アルゴリズムの自然なインスピレーションと振る舞いの間には、悪い関係がしばしば見られると結論付けている。
論文 参考訳(メタデータ) (2020-02-19T12:34:45Z)
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。