論文の概要: Unified Framework for the Adaptive Operator Selection of Discrete Parameters

• arxiv url: http://arxiv.org/abs/2005.05613v1
• Date: Tue, 12 May 2020 08:41:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 18:31:46.262943
• Title: Unified Framework for the Adaptive Operator Selection of Discrete Parameters
• Title（参考訳）: 離散パラメータの適応演算子選択のための統一フレームワーク
• Authors: Mudita Sharma, Manuel Lopez-Ibanez and Dimitar Kazakov
• Abstract要約: 進化的アルゴリズム(EA)における演算子(AOS)の適応的選択の徹底的な調査を行う。 既存のAOSメソッドの分類に基づいて構築されるフレームワークにより多くのコンポーネントを追加することで、AOS構造を単純化しました。 単純化に加えて,AOS手法間の共通点を文献から考察し,それらを一般化した。
• 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: We conduct an exhaustive survey of adaptive selection of operators (AOS) in Evolutionary Algorithms (EAs). We simplified the AOS structure by adding more components to the framework to built upon the existing categorisation of AOS methods. In addition to simplifying, we looked at the commonality among AOS methods from literature to generalise them. Each component is presented with a number of alternative choices, each represented with a formula. We make three sets of comparisons. First, the methods from literature are tested on the BBOB test bed with their default hyper parameters. Second, the hyper parameters of these methods are tuned using an offline configurator known as IRACE. Third, for a given set of problems, we use IRACE to select the best combination of components and tune their hyper parameters.
• Abstract（参考訳）: 進化的アルゴリズム(EA)における演算子(AOS)の適応選択の徹底的な調査を行う。 既存のAOSメソッドの分類に基づいて構築されるフレームワークにより多くのコンポーネントを追加することで、AOS構造を単純化しました。 単純化に加えて,文献からaos手法の共通性を考察し,一般化した。 各コンポーネントにはいくつかの選択肢があり、それぞれが式で表される。 我々は3つの比較を行う。 まず、文献からの手法をデフォルトのハイパーパラメータでBBOBテストベッドでテストする。 第二に、これらのメソッドのハイパーパラメータはIRACEと呼ばれるオフライン設定子を使って調整される。 第三に、与えられた問題の集合に対して、IRACEを使用してコンポーネントの最適な組み合わせを選択し、それらのハイパーパラメータをチューニングします。

関連論文リスト

• Modeling All Response Surfaces in One for Conditional Search Spaces [69.90317997694218]
  本稿では,すべての部分空間の応答曲面をモデル化する新しい手法を提案する。 本稿では,様々な部分空間から異なる構造を持つ構成を統一された特徴空間に投影できる注目型深層特徴抽出器を提案する。
  論文  参考訳（メタデータ） (2025-01-08T03:56:06Z)
• ALoRE: Efficient Visual Adaptation via Aggregating Low Rank Experts [71.91042186338163]
  ALoREは、Kroneckerによって構築された超複素パラメータ化空間をAggregate Low Rank Expertsに再利用する新しいPETL法である。 巧妙な設計のおかげで、ALoREは無視できる余分なパラメータを保持し、凍ったバックボーンに強制的にマージできる。
  論文  参考訳（メタデータ） (2024-12-11T12:31:30Z)
• Adaptive Preference Scaling for Reinforcement Learning with Human Feedback [103.36048042664768]
  人間からのフィードバックからの強化学習(RLHF)は、AIシステムと人間の価値を合わせるための一般的なアプローチである。 本稿では,分散ロバスト最適化(DRO)に基づく適応的優先損失を提案する。 提案手法は多用途であり,様々な選好最適化フレームワークに容易に適用可能である。
  論文  参考訳（メタデータ） (2024-06-04T20:33:22Z)
• LAMBO: Large AI Model Empowered Edge Intelligence [71.56135386994119]
  次世代エッジインテリジェンスは、オフロード技術を通じて様々なアプリケーションに恩恵をもたらすことが期待されている。 従来のオフロードアーキテクチャは、不均一な制約、部分的な認識、不確実な一般化、トラクタビリティの欠如など、いくつかの問題に直面している。 我々は、これらの問題を解決するための10億以上のパラメータを持つLarge AI Model-Based Offloading (LAMBO)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-29T07:25:42Z)
• HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel Neural Architecture Search [104.45426861115972]
  設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。 我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。 6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
  論文  参考訳（メタデータ） (2023-04-23T17:27:40Z)
• A Comparative study of Hyper-Parameter Optimization Tools [2.6097538974670935]
  我々は、4つのpythonライブラリ、すなわちOptuna、Hyperopt、Optunity、およびシーケンシャルモデルアルゴリズム構成(SMAC)の性能を比較した。 私たちは、OptunaがCASH問題とNeurIPSのブラックボックス最適化の課題に対してより良いパフォーマンスを持つことを発見した。
  論文  参考訳（メタデータ） (2022-01-17T14:49:36Z)
• DyCo3D: Robust Instance Segmentation of 3D Point Clouds through Dynamic Convolution [136.7261709896713]
  本稿では,インスタンスの性質に応じて適切な畳み込みカーネルを生成するデータ駆動型アプローチを提案する。 提案手法はScanetNetV2とS3DISの両方で有望な結果が得られる。 また、現在の最先端よりも推論速度を25%以上向上させる。
  論文  参考訳（メタデータ） (2020-11-26T14:56:57Z)
• Feature Selection Methods for Cost-Constrained Classification in Random Forests [3.4806267677524896]
  コストに敏感な特徴選択は、機能選択の問題であり、モデルに含めるための個々のコストを上昇させる。 ランダムフォレスト(Random Forests)は、機能選択において特に困難な問題を定義している。 小木構造から特徴を選択する新しい高速多変量特徴選択法であるShallow Tree Selectionを提案する。
  論文  参考訳（メタデータ） (2020-08-14T11:39:52Z)
• Electre Tree A Machine Learning Approach to Infer Electre Tri B Parameters [0.0]
  本稿では,ELECTRE Tri-Bパラメータのすべての(あるいは任意の組み合わせを推論するアルゴリズムを提案する。 私たちのアプローチは、機械学習のアンサンブルテクニックであるランダムフォレストにインスパイアされています。
  論文  参考訳（メタデータ） (2020-07-20T12:39:56Z)
• Atom Search Optimization with Simulated Annealing -- a Hybrid Metaheuristic Approach for Feature Selection [29.765647724007827]
  ハイブリッドメタヒューリスティックス(Hybrid meta-heuristics)は、最適化と特徴選択(FS)分野における最も興味深いトレンドの1つである。 我々は、ASO-SA(Atom Search Optimization)のバイナリ版と、FSのためのASO-SA(ASO-SA)技術と呼ばれるSimulated Annealing(Simulated Annealing)によるハイブリッドを提案した。 提案手法は, UCI, Handwriting digit recognition, Text, non-text separation, Facial emotion Recognitionの4つのカテゴリから25のデータセットに対して適用した。
  論文  参考訳（メタデータ） (2020-05-10T07:56:58Z)

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。