論文の概要: Feature Selection with Evolving, Fast and Slow Using Two Parallel Genetic Algorithms

• arxiv url: http://arxiv.org/abs/2005.05268v1
• Date: Mon, 11 May 2020 17:10:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-04 19:26:39.569393
• Title: Feature Selection with Evolving, Fast and Slow Using Two Parallel Genetic Algorithms
• Title（参考訳）: 2つの並列遺伝的アルゴリズムを用いた進化・高速・遅い特徴選択
• Authors: Uzay Cetin and Yunus Emre Gundogmus
• Abstract要約: 機能選択のためのEvolving Fast and Slowと呼ばれる新しいアプローチを提案する。 FastとSlowの進化には、高速に進化する自動システムと、遅く進化する精力的なシステムを組み合わせた、新たな並列アーキテクチャが必要です。 実験の結果,Evolving Fast と Slow は精度と特徴除去の両面で非常に良好な結果が得られることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feature selection is one of the most challenging issues in machine learning, especially while working with high dimensional data. In this paper, we address the problem of feature selection and propose a new approach called Evolving Fast and Slow. This new approach is based on using two parallel genetic algorithms having high and low mutation rates, respectively. Evolving Fast and Slow requires a new parallel architecture combining an automatic system that evolves fast and an effortful system that evolves slow. With this architecture, exploration and exploitation can be done simultaneously and in unison. Evolving fast, with high mutation rate, can be useful to explore new unknown places in the search space with long jumps; and Evolving Slow, with low mutation rate, can be useful to exploit previously known places in the search space with short movements. Our experiments show that Evolving Fast and Slow achieves very good results in terms of both accuracy and feature elimination.
• Abstract（参考訳）: 特徴選択は、特に高次元データを扱う場合、マシンラーニングにおいて最も難しい問題のひとつです。 本稿では,特徴選択の問題に対処し,Evolving Fast and Slowと呼ばれる新しいアプローチを提案する。 この新しいアプローチは、それぞれ高い突然変異率と低い突然変異率を持つ2つの並列遺伝アルゴリズムを用いている。 高速かつ遅い進化には、高速に進化する自動システムと、ゆっくりと進化する努力のかかるシステムを組み合わせた、新しい並列アーキテクチャが必要である。 このアーキテクチャでは、探索と搾取を同時に同時に行うことができる。 高い突然変異率で高速に進化することは、長いジャンプで検索空間の新しい未知の場所を探索するのに有用であり、低突然変異率でゆっくりと進化することは、検索空間の既知の場所を短い動きで活用するのに有用である。 実験の結果,Evolving Fast と Slow は精度と特徴除去の両面で非常に良好な結果が得られることがわかった。

関連論文リスト

• ELENA: Epigenetic Learning through Evolved Neural Adaptation [0.0]
  ELENAは、エピジェネティックなメカニズムを取り入れ、コア進化アプローチの適応性を高める新しい進化フレームワークである。 3つのエピジェネティックタグは、よりインテリジェントな仮説のランドスケープ探索を促進するソリューションスペース探索の導出を支援する。 実験により、ELENAは、しばしばネットワーク最適化タスクにおける最先端の手法を超越して、競争結果を達成することが示された。
  論文  参考訳（メタデータ） (2025-01-10T06:04:32Z)
• A Flexible Evolutionary Algorithm With Dynamic Mutation Rate Archive [2.07180164747172]
  我々は、$k$-bitのフリップ突然変異を用いた進化的アルゴリズムの突然変異率を動的に維持する新しいフレキシブルなアプローチを提案する。 試行錯誤の回数がしきい値を超えた場合のレートは終了し、現在アーカイブに存在しないレートは2つの方法で入力できる。 最小選択確率について、重み付き分布を含む様々な選択肢を提案する。
  論文  参考訳（メタデータ） (2024-04-05T10:51:40Z)
• Guided Evolution with Binary Discriminators for ML Program Search [64.44893463120584]
  プログラムのペアがどのプログラムの方が優れているかを識別するために、オンラインで訓練された二項判別器による指導進化を提案する。 本稿では,MLの記号探索における3.7倍の高速化,RL損失関数の4倍の高速化など,様々な問題に対する進化の高速化を実証する。
  論文  参考訳（メタデータ） (2024-02-08T16:59:24Z)
• DARLEI: Deep Accelerated Reinforcement Learning with Evolutionary Intelligence [77.78795329701367]
  本稿では,進化アルゴリズムと並列化強化学習を組み合わせたフレームワークであるDARLEIを提案する。 我々はDARLEIの性能を様々な条件で特徴付け、進化形態の多様性に影響を与える要因を明らかにした。 今後DARLEIを拡張して、よりリッチな環境における多様な形態素間の相互作用を取り入れていきたいと考えています。
  論文  参考訳（メタデータ） (2023-12-08T16:51:10Z)
• Massively Parallel Genetic Optimization through Asynchronous Propagation of Populations [50.591267188664666]
  Propulateは、グローバル最適化のための進化的最適化アルゴリズムとソフトウェアパッケージである。 提案アルゴリズムは, 選択, 突然変異, 交叉, 移動の変種を特徴とする。 Propulateは解の精度を犠牲にすることなく、最大で3桁高速であることがわかった。
  論文  参考訳（メタデータ） (2023-01-20T18:17:34Z)
• Temporal Heterogeneity Improves Speed and Convergence in Genetic Algorithms [0.0]
  遺伝的アルゴリズムは自然選択をシミュレートし、様々な問題の解を探すためにパラメータ空間を探索する。 我々は、クロスオーバー確率を個人のフィットネスに逆比例するように設定した。 時間的不均一性はパラメータ空間の事前の知識を必要とせずに探索を改善する。
  論文  参考訳（メタデータ） (2022-02-02T22:48:56Z)
• Population-Based Evolution Optimizes a Meta-Learning Objective [0.6091702876917279]
  メタラーニングと適応的進化性は,一連の学習繰り返しの後,高い性能を最適化する。 我々は、この主張を単純な進化的アルゴリズム、Population-Based Meta Learningで実証する。
  論文  参考訳（メタデータ） (2021-03-11T03:45:43Z)
• Evolutionary Gait Transfer of Multi-Legged Robots in Complex Terrains [14.787379075870383]
  本稿では、Tr-GOと呼ばれる歩行最適化のための移動学習に基づく進化的フレームワークを提案する。 この考え方は、トランスファーラーニング技術を用いて高品質な人口を初期化することを目的としており、どんな集団ベースの最適化アルゴリズムでもこのフレームワークにシームレスに統合できる。 実験の結果,3つの多目的進化アルゴリズムに基づく歩行最適化問題に対する提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-12-24T16:41:36Z)
• AdaLead: A simple and robust adaptive greedy search algorithm for sequence design [55.41644538483948]
  我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。 AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
  論文  参考訳（メタデータ） (2020-10-05T16:40:38Z)
• Learning to Accelerate Heuristic Searching for Large-Scale Maximum Weighted b-Matching Problems in Online Advertising [51.97494906131859]
  バイパルタイトbマッチングはアルゴリズム設計の基本であり、経済市場や労働市場などに広く適用されている。 既存の正確で近似的なアルゴリズムは、通常そのような設定で失敗する。 我々は、以前の事例から学んだ知識を活用して、新しい問題インスタンスを解決するtextttNeuSearcherを提案する。
  論文  参考訳（メタデータ） (2020-05-09T02:48:23Z)
• AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
  基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。 汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。 機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
  論文  参考訳（メタデータ） (2020-03-06T19:00:04Z)

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。