論文の概要: Solution Subset Selection for Final Decision Making in Evolutionary
Multi-Objective Optimization
- arxiv url: http://arxiv.org/abs/2006.08156v1
- Date: Mon, 15 Jun 2020 06:26:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 02:29:42.287943
- Title: Solution Subset Selection for Final Decision Making in Evolutionary
Multi-Objective Optimization
- Title（参考訳）: 進化的多目的最適化における最終決定のための解サブセット選択
- Authors: Hisao Ishibuchi and Lie Meng Pang and Ke Shang
- Abstract要約: 最終的な意思決定の観点から,サブセットの選択について論じる。
定式化関数はIGD+インジケータと同じであることを示す。
- 参考スコア（独自算出の注目度）: 7.745468825770201
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In general, a multi-objective optimization problem does not have a single
optimal solution but a set of Pareto optimal solutions, which forms the Pareto
front in the objective space. Various evolutionary algorithms have been
proposed to approximate the Pareto front using a pre-specified number of
solutions. Hundreds of solutions are obtained by their single run. The
selection of a single final solution from the obtained solutions is assumed to
be done by a human decision maker. However, in many cases, the decision maker
does not want to examine hundreds of solutions. Thus, it is needed to select a
small subset of the obtained solutions. In this paper, we discuss subset
selection from a viewpoint of the final decision making. First we briefly
explain existing subset selection studies. Next we formulate an expected loss
function for subset selection. We also show that the formulated function is the
same as the IGD plus indicator. Then we report experimental results where the
proposed approach is compared with other indicator-based subset selection
methods.
- Abstract（参考訳）: 一般に、多目的最適化問題は単一の最適解ではなく、目的空間におけるパレートフロントを形成するパレート最適解の集合を持つ。
様々な進化的アルゴリズムが、あらかじめ特定された数の解を用いてパレートフロントを近似するために提案されている。
単一の実行で数百のソリューションが得られる。
得られた解から1つの最終解を選択することは、人間の意思決定者によって行われると仮定される。
しかし、多くの場合、意思決定者は何百ものソリューションを検査したくない。
したがって、得られた解の小さな部分集合を選択する必要がある。
本稿では,最終的な意思決定の観点から,サブセットの選択について論じる。
まず,既存の部分集合選択研究について簡単に説明する。
次に、サブセット選択のための期待損失関数を定式化する。
また、この定式化関数はIGD+インジケータと同じであることを示す。
次に,提案手法を他の指標に基づくサブセット選択法と比較する実験結果について報告する。
関連論文リスト
- Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。
本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。
提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
論文 参考訳（メタデータ） (2024-11-04T15:17:19Z) - An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。
本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。
2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文 参考訳（メタデータ） (2024-09-04T14:36:20Z) - Training Greedy Policy for Proposal Batch Selection in Expensive Multi-Objective Combinatorial Optimization [52.80408805368928]
本稿では,バッチ取得のための新しいグリーディ型サブセット選択アルゴリズムを提案する。
赤蛍光タンパク質に関する実験により,提案手法は1.69倍少ないクエリでベースライン性能を達成できることが判明した。
論文 参考訳（メタデータ） (2024-06-21T05:57:08Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳（メタデータ） (2022-01-28T05:53:28Z) - Benchmarking Subset Selection from Large Candidate Solution Sets in
Evolutionary Multi-objective Optimization [6.544757635738911]
進化的多目的最適化(EMO)の分野では、EMOアルゴリズムの最終個体群を出力として提示する。
近年,アーカイブの進化中に生成したすべての非支配的ソリューションを格納することで,この問題を解決するための新しい EMO フレームワークが提案されている。
本稿では,大規模候補解集合からのサブセット選択のためのベンチマークテストスイートを提案する。
論文 参考訳（メタデータ） (2022-01-18T02:09:08Z) - A Mutual Information Maximization Approach for the Spurious Solution
Problem in Weakly Supervised Question Answering [60.768146126094955]
弱々しい教師付き質問応答は通常、最終的な答えのみを監督信号として持つ。
偶然に正解を導出する刺激的な解が多数存在するかもしれないが、そのような解の訓練はモデルの性能を損なう可能性がある。
本稿では,質問応答対と予測解間の相互情報の最大化により,このような意味的相関を明示的に活用することを提案する。
論文 参考訳（メタデータ） (2021-06-14T05:47:41Z) - One Step Preference Elicitation in Multi-Objective Bayesian Optimization [0.0]
評価に費用がかかる目的関数を持つ多目的最適化問題を考察する。
DMの未知の嗜好による真の最良の解は、見いだされた非支配的な解の小さなセットに含まれないことを示す。
論文 参考訳（メタデータ） (2021-05-27T16:23:29Z) - Goal Seeking Quadratic Unconstrained Binary Optimization [0.5439020425819]
本稿では,目標からのずれを最小限に抑える2種類の目標探索QUBOを提案する。
本論文では、タブー探索に基づく1フリップによる目標からの偏差を最小限に抑える2種類の目標探索QUBOについて述べる。
論文 参考訳（メタデータ） (2021-03-24T03:03:13Z) - Evolutionary Multi-Objective Optimization Algorithm Framework with Three
Solution Sets [7.745468825770201]
EMOアルゴリズムにより得られた非支配的解集合から最終解が決定者によって選択されると仮定する。
本稿では,様々な状況に対処するための3つのソリューションセットを備えた汎用EMOフレームワークを提案する。
論文 参考訳（メタデータ） (2020-12-14T08:04:07Z) - Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。
我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文 参考訳（メタデータ） (2020-01-29T09:40:58Z)
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。