論文の概要: A Prescription of Methodological Guidelines for Comparing Bio-inspired Optimization Algorithms

• arxiv url: http://arxiv.org/abs/2004.09969v2
• Date: Fri, 04 Oct 2024 14:50:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-08 18:00:31.851149
• Title: A Prescription of Methodological Guidelines for Comparing Bio-inspired Optimization Algorithms
• Title（参考訳）: バイオインスパイアされた最適化アルゴリズムの比較のための方法論ガイドラインの定式化
• 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）: 15.803264424018488
• License:
• 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 appropriate benchmarks 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度を考えると、革新的な要素を持つ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、著者が報告した結果は、最先端技術による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。 それらのうちのいくつかは、比較する適切なベンチマークや参照アルゴリズムを選択することに失敗した。 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。 本研究は、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。 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。

関連論文リスト

• Provably Faster Algorithms for Bilevel Optimization via Without-Replacement Sampling [96.47086913559289]
  勾配に基づくアルゴリズムはバイレベル最適化に広く用いられている。 本研究では,より高速な収束率を実現する非置換サンプリングに基づくアルゴリズムを提案する。 合成および実世界の両方のアプリケーションに対してアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2024-11-07T17:05:31Z)
• A Tutorial on the Design, Experimentation and Application of Metaheuristic Algorithms to Real-World Optimization Problems [16.890440704820367]
  メタヒューリスティックの設計と使用に関する数十年の歴史的進歩にもかかわらず、新しい技術成果の理解可能性、アルゴリズム設計の正しさ、性能検証性に関して大きな困難が残っている。 この研究は、最適化に使用されるメタヒューリスティックス手法の研究を行う際に、受け入れるべき良いプラクティスの提案を聴衆に提供することを目的としている。
  論文  参考訳（メタデータ） (2024-10-04T07:41:23Z)
• Evaluating Ensemble Methods for News Recommender Systems [50.90330146667386]
  本稿では,Microsoft News データセット (MIND) において,様々な最先端アルゴリズムを組み合わさって優れた結果を得るために,アンサンブル手法をどのように利用できるかを示す。 その結果,NRSアルゴリズムの組み合わせは,基礎学習者が十分に多様であることから,個々のアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-06-23T13:40:50Z)
• Facilitating Interdisciplinary Knowledge Transfer with Research Paper Recommender Systems [7.994912533454301]
  我々は、科学者に新しく多様な研究論文レコメンデーションを提供することの重要性を論じる。 このアプローチは、サイロ化読解を減らし、フィルターバブルを分解し、学際的な研究を促進することを目的としている。
  論文  参考訳（メタデータ） (2023-09-26T14:56:56Z)
• 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)
• Nature-Inspired Optimization Algorithms: Research Direction and Survey [0.0]
  自然に着想を得たアルゴリズムは、様々な最適化問題を解くのによく用いられる。 我々は自然に触発されたアルゴリズムを自然進化ベース、群知性ベース、生物ベース、科学ベースなどと分類する。 本研究の目的は, インスピレーション源, 基本演算子, 制御パラメータ, 特徴, 変種, 適用範囲に基づいて, 様々な自然に着想を得たアルゴリズムを網羅的に解析することである。
  論文  参考訳（メタデータ） (2021-02-08T06:03:36Z)
• 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 (from 2020 to 2024) [19.09373077982117]
  生物学的過程を模倣して複雑な問題を解くバイオインスパイアされた最適化法が近年、人気を集めている。 バイオインスパイアされたアルゴリズムの数が指数関数的に増加することは、この研究領域の将来の軌道に課題をもたらす。
  論文  参考訳（メタデータ） (2020-02-19T12:34:45Z)
• Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
  適応性は現代最適化理論において重要であるが、研究されていない性質である。 提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
  論文  参考訳（メタデータ） (2020-02-13T05:42:27Z)

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。