論文の概要: MATE: A Model-based Algorithm Tuning Engine
- arxiv url: http://arxiv.org/abs/2004.12750v2
- Date: Mon, 15 Feb 2021 09:38:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 04:11:01.654406
- Title: MATE: A Model-based Algorithm Tuning Engine
- Title（参考訳）: MATE: モデルベースのアルゴリズムチューニングエンジン
- Authors: Mohamed El Yafrani, Marcella Scoczynski Ribeiro Martins, Inkyung Sung,
Markus Wagner, Carola Doerr, and Peter Nielsen
- Abstract要約: モデルに基づくアルゴリズム変換エンジン、すなわちMATEを導入し、アルゴリズムのパラメータを目標最適化問題の特徴の表現として表現する。
パラメータと問題の特徴の関係を象徴的回帰問題として求める問題を定式化し,遺伝子プログラミングを用いてこれらの表現を抽出する。
本評価では,OneMax,LeadingOnes,BinValue,Jumpの最適化問題に対して,(1+1) EAおよびRSSアルゴリズムの構成に適用する。
- 参考スコア（独自算出の注目度）: 2.4693304175649304
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we introduce a Model-based Algorithm Turning Engine, namely
MATE, where the parameters of an algorithm are represented as expressions of
the features of a target optimisation problem. In contrast to most static
(feature-independent) algorithm tuning engines such as irace and SPOT, our
approach aims to derive the best parameter configuration of a given algorithm
for a specific problem, exploiting the relationships between the algorithm
parameters and the features of the problem. We formulate the problem of finding
the relationships between the parameters and the problem features as a symbolic
regression problem and we use genetic programming to extract these expressions.
For the evaluation, we apply our approach to configuration of the (1+1) EA and
RLS algorithms for the OneMax, LeadingOnes, BinValue and Jump optimisation
problems, where the theoretically optimal algorithm parameters to the problems
are available as functions of the features of the problems. Our study shows
that the found relationships typically comply with known theoretical results,
thus demonstrating a new opportunity to consider model-based parameter tuning
as an effective alternative to the static algorithm tuning engines.
- Abstract（参考訳）: 本稿では,モデルに基づくアルゴリズム変換エンジン,すなわちMATEを導入し,アルゴリズムのパラメータを目標最適化問題の特徴の表現として表現する。
iraceやspotのような静的な(機能に依存しない)アルゴリズムチューニングエンジンとは対照的に、特定の問題に対して与えられたアルゴリズムの最適なパラメータ設定を導出し、アルゴリズムパラメータと問題の特徴の関係を生かすことを目的としている。
パラメータと問題の特徴の関係を象徴的回帰問題として求める問題を定式化し,遺伝子プログラミングを用いてこれらの表現を抽出する。
1+1) ea および rls アルゴリズムの構成を onemax、leadingones、binvalue、jump 最適化問題に適用し、問題に対する最適アルゴリズムパラメータを問題の特徴の関数として利用できる。
本研究は、発見される関係性が既知の理論的結果に典型的に準拠していることを示し、モデルに基づくパラメータチューニングを静的アルゴリズムチューニングエンジンの効果的な代替として考える新たな機会を示す。
関連論文リスト
- End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳（メタデータ） (2024-02-12T16:33:35Z) - RIGA: A Regret-Based Interactive Genetic Algorithm [14.388696798649658]
そこで本研究では,多目的最適化問題を優先的精度で解くための対話型遺伝的アルゴリズムを提案する。
我々のアルゴリズムはRIGAと呼ばれ、集約関数がパラメータ内で線形であることから、任意の多目的最適化問題に適用できる。
いくつかのパフォーマンス指標(計算時間、最適性とクエリ数のギャップ)に対して、RIGAは最先端のアルゴリズムよりも優れた結果を得る。
論文 参考訳（メタデータ） (2023-11-10T13:56:15Z) - Review of Parameter Tuning Methods for Nature-Inspired Algorithms [1.4042211166197214]
この章では、パラメータチューニングの主要な方法をいくつかレビューし、パラメータチューニングの最新開発に関する重要な問題を強調します。
いくつかのオープンな問題も今後の研究の推奨事項として議論されている。
論文 参考訳（メタデータ） (2023-08-30T11:41:39Z) - Surrogate-based Autotuning for Randomized Sketching Algorithms in
Regression Problems [44.54726768134471]
本稿では,RandNLAアルゴリズムにおけるパラメータ選択の基本的な問題に対して,サロゲートに基づくオートチューニング手法を適用する方法について述べる。
提案手法は, 提案手法により, ランダム探索よりもチューニングコストがはるかに低く, ほぼ最適性能が得られることを示す。
論文 参考訳（メタデータ） (2023-08-30T02:50:54Z) - Applications of Nature-Inspired Metaheuristic Algorithms for Tackling Optimization Problems Across Disciplines [12.664160352147293]
本稿では,自然に着想を得たメタヒューリスティックアルゴリズムの有用性を示す。
本研究の主な目的は,CSO-MAのようなメタヒューリスティックなアルゴリズムが,統計学における様々な種類の最適化問題に取り組むのに効率的であることを示すことである。
論文 参考訳（メタデータ） (2023-08-08T16:41:33Z) - Accelerating Cutting-Plane Algorithms via Reinforcement Learning
Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。
多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。
そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文 参考訳（メタデータ） (2023-07-17T20:11:56Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - Accelerating ERM for data-driven algorithm design using output-sensitive techniques [26.32088674030797]
データ駆動型アルゴリズム設計のための効率的な学習アルゴリズムを開発するための技術について研究する。
提案手法は,超平面の集合によって誘導されるポリトープを列挙する出力感受性アルゴリズムである。
本稿では、価格問題、リンクベースのクラスタリング、動的プログラミングに基づくシーケンスアライメントのアルゴリズムを提供することにより、我々の技術を説明する。
論文 参考訳（メタデータ） (2022-04-07T17:27:18Z) - Fast Feature Selection with Fairness Constraints [49.142308856826396]
モデル構築における最適特徴の選択に関する基礎的問題について検討する。
この問題は、greedyアルゴリズムの変種を使用しても、大規模なデータセットで計算的に困難である。
適応クエリモデルは,最近提案された非モジュラー関数に対する直交整合探索のより高速なパラダイムに拡張する。
提案アルゴリズムは、適応型クエリモデルにおいて指数関数的に高速な並列実行を実現する。
論文 参考訳（メタデータ） (2022-02-28T12:26:47Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳（メタデータ） (2020-10-01T18:14:11Z) - Convergence of adaptive algorithms for weakly convex constrained
optimization [59.36386973876765]
モローエンベロープの勾配のノルムに対して$mathcaltilde O(t-1/4)$収束率を証明する。
我々の分析では、最小バッチサイズが1ドル、定数が1位と2位のモーメントパラメータが1ドル、そしておそらくスムーズな最適化ドメインで機能する。
論文 参考訳（メタデータ） (2020-06-11T17:43:19Z)
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。