論文の概要: Lazy Greedy Hypervolume Subset Selection from Large Candidate Solution Sets

• arxiv url: http://arxiv.org/abs/2007.02050v1
• Date: Sat, 4 Jul 2020 09:19:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 13:20:56.494203
• Title: Lazy Greedy Hypervolume Subset Selection from Large Candidate Solution Sets
• Title（参考訳）: 大規模候補溶液集合からの遅延グレディハイパーボリュームサブセットの選択
• Authors: Weiyu Chen, Hisao Ishibuhci, and Ke Shang
• Abstract要約: 超体積インジケータのサブモジュラー特性を利用した新しい遅延グリードアルゴリズムを提案する。 実験結果から,提案アルゴリズムは元のグレディ包摂アルゴリズムよりも数百倍高速であることがわかった。
• 参考スコア（独自算出の注目度）: 5.222705629027499
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Subset selection is a popular topic in recent years and a number of subset selection methods have been proposed. Among those methods, hypervolume subset selection is widely used. Greedy hypervolume subset selection algorithms can achieve good approximations to the optimal subset. However, when the candidate set is large (e.g., an unbounded external archive with a large number of solutions), the algorithm is very time-consuming. In this paper, we propose a new lazy greedy algorithm exploiting the submodular property of the hypervolume indicator. The core idea is to avoid unnecessary hypervolume contribution calculation when finding the solution with the largest contribution. Experimental results show that the proposed algorithm is hundreds of times faster than the original greedy inclusion algorithm and several times faster than the fastest known greedy inclusion algorithm on many test problems.
• Abstract（参考訳）: 近年,サブセット選択が話題となり,いくつかのサブセット選択法が提案されている。 これらの方法のうち、超体積部分集合の選択は広く用いられている。 グレディ・ハイパーボリューム・サブセット選択アルゴリズムは最適なサブセットを近似することができる。 しかし、候補集合が大きければ(例えば、多数の解を持つ非有界な外部アーカイブ)、アルゴリズムは非常に時間がかかる。 本稿では,ハイパーボリュームインジケータのサブモジュラー特性を利用した新しい遅延グリーディアルゴリズムを提案する。 中心となる考え方は、最大の寄与を持つ解を見つける際に不要な超体積寄与計算を避けることである。 実験結果から,提案アルゴリズムは従来のグリーディ包含アルゴリズムよりも数百倍高速であり,多くのテスト問題において最も高速なグリーディ包含アルゴリズムよりも数倍高速であることがわかった。

関連論文リスト

• 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)
• Effective anytime algorithm for multiobjective combinatorial optimization problems [3.2061579211871383]
  客観的な空間で十分に普及している効率的なソリューションのセットは、意思決定者に対して様々なソリューションを提供するのに好まれる。 本稿では,3つの新しいアイデアを組み合わせた多目的最適化のための新しい正確なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-06T11:53:44Z)
• Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
  オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。 SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。 本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。 ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
  論文  参考訳（メタデータ） (2021-09-13T18:10:52Z)
• Fast Greedy Subset Selection from Large Candidate Solution Sets in Evolutionary Multi-objective Optimization [11.110675371854988]
  本稿では,超体積,IGD,IGD+インジケータのグリーディ部分選択の効率について論じる。 我々の考えは、超体積インジケータで知られている部分モジュラー特性を用いて、それらの効率を改善することである。
  論文  参考訳（メタデータ） (2021-02-01T16:14:15Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)
• Towards Meta-Algorithm Selection [78.13985819417974]
  インスタンス固有のアルゴリズム選択(AS)は、固定された候補集合からのアルゴリズムの自動選択を扱う。 メタアルゴリズムの選択は、いくつかのケースで有益であることを示す。
  論文  参考訳（メタデータ） (2020-11-17T17:27:33Z)
• 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)
• Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
  本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。 最小クラスタ回復誤差率のアルゴリズムを考案する。 適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2019-10-14T09:18:26Z)

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。