論文の概要: IOHanalyzer: Detailed Performance Analyses for Iterative Optimization
Heuristics
- arxiv url: http://arxiv.org/abs/2007.03953v4
- Date: Mon, 3 Jan 2022 21:49:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 12:37:24.114053
- Title: IOHanalyzer: Detailed Performance Analyses for Iterative Optimization
Heuristics
- Title（参考訳）: IOHanalyzer: 反復最適化ヒューリスティックスの詳細なパフォーマンス分析
- Authors: Hao Wang, Diederick Vermetten, Furong Ye, Carola Doerr, Thomas B\"ack
- Abstract要約: IOHanalyzerは、IOHのパフォーマンスデータを分析、比較、視覚化するための新しいユーザフレンドリーなツールである。
IOHanalyzerは、固定目標実行時間とベンチマークアルゴリズムの固定予算性能に関する詳細な統計を提供する。
IOHanalyzerは、主要なベンチマークプラットフォームから直接パフォーマンスデータを処理できる。
- 参考スコア（独自算出の注目度）: 3.967483941966979
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Benchmarking and performance analysis play an important role in understanding
the behaviour of iterative optimization heuristics (IOHs) such as local search
algorithms, genetic and evolutionary algorithms, Bayesian optimization
algorithms, etc. This task, however, involves manual setup, execution, and
analysis of the experiment on an individual basis, which is laborious and can
be mitigated by a generic and well-designed platform. For this purpose, we
propose IOHanalyzer, a new user-friendly tool for the analysis, comparison, and
visualization of performance data of IOHs.
Implemented in R and C++, IOHanalyzer is fully open source. It is available
on CRAN and GitHub. IOHanalyzer provides detailed statistics about fixed-target
running times and about fixed-budget performance of the benchmarked algorithms
with a real-valued codomain, single-objective optimization tasks. Performance
aggregation over several benchmark problems is possible, for example in the
form of empirical cumulative distribution functions. Key advantages of
IOHanalyzer over other performance analysis packages are its highly interactive
design, which allows users to specify the performance measures, ranges, and
granularity that are most useful for their experiments, and the possibility to
analyze not only performance traces, but also the evolution of dynamic state
parameters.
IOHanalyzer can directly process performance data from the main benchmarking
platforms, including the COCO platform, Nevergrad, the SOS platform, and
IOHexperimenter. An R programming interface is provided for users preferring to
have a finer control over the implemented functionalities.
- Abstract（参考訳）: ベンチマークとパフォーマンス分析は、局所探索アルゴリズム、遺伝的および進化的アルゴリズム、ベイズ最適化アルゴリズムなど、反復最適化ヒューリスティック(iohs)の振る舞いを理解する上で重要な役割を果たす。
しかし、このタスクは、個別に実験を手動でセットアップ、実行、分析することを含み、これは面倒で、汎用的でよく設計されたプラットフォームによって緩和される。
そこで本研究では,IOHのパフォーマンスデータの解析,比較,可視化を行う新しいユーザフレンドリーなツールであるIOHanalyzerを提案する。
rとc++で実装され、iohanalyzerは完全にオープンソースである。
CRANとGitHubで入手できる。
iohanalyzerは、固定目標実行時間と、実数値コドメインの単一目的最適化タスクによるベンチマークアルゴリズムの固定予算パフォーマンスに関する詳細な統計を提供する。
いくつかのベンチマーク問題に対する性能集約は、例えば経験的累積分布関数の形で可能である。
他のパフォーマンス分析パッケージに対するIOHanalyzerの主な利点は、ユーザが実験でもっとも有用なパフォーマンス指標、範囲、粒度を指定できる高度にインタラクティブな設計と、パフォーマンストレースだけでなく、動的状態パラメータの進化も分析できることである。
IOHanalyzerはCOCOプラットフォーム、Nevergrad、SOSプラットフォーム、IOHexperimenterなど、主要なベンチマークプラットフォームからのパフォーマンスデータを直接処理することができる。
実装された機能に対してよりきめ細かい制御を好むユーザに対して、Rプログラミングインタフェースを提供する。
関連論文リスト
- Beyond Single-Model Views for Deep Learning: Optimization versus
Generalizability of Stochastic Optimization Algorithms [13.134564730161983]
本稿では、勾配降下(SGD)とその変種に着目し、ディープラーニングの最適化に新しいアプローチを採用する。
我々はSGDとその変種がSAMのような平らなミニマと同等の性能を示すことを示した。
本研究は、トレーニング損失とホールドアウト精度の関係、およびSGDとノイズ対応変種の性能について、いくつかの重要な知見を明らかにした。
論文 参考訳（メタデータ） (2024-03-01T14:55:22Z) - Performance Embeddings: A Similarity-based Approach to Automatic
Performance Optimization [71.69092462147292]
パフォーマンス埋め込みは、アプリケーション間でパフォーマンスチューニングの知識伝達を可能にする。
本研究では, 深層ニューラルネットワーク, 密度およびスパース線形代数合成, および数値風速予測ステンシルのケーススタディにおいて, この伝達チューニング手法を実証する。
論文 参考訳（メタデータ） (2023-03-14T15:51:35Z) - OPTION: OPTImization Algorithm Benchmarking ONtology [4.060078409841919]
OPTION(OPTImization algorithm benchmarking ONtology)は、ベンチマークプラットフォーム用のセマンティックにリッチでマシン可読なデータモデルである。
私たちのオントロジーは、ベンチマークプロセスに関わるコアエンティティのセマンティックアノテーションに必要な語彙を提供します。
また、自動データ統合、相互運用性の改善、強力なクエリ機能を提供する。
論文 参考訳（メタデータ） (2022-11-21T10:34:43Z) - Perona: Robust Infrastructure Fingerprinting for Resource-Efficient Big
Data Analytics [0.06524460254566904]
ビッグデータ分析で使用するために,堅牢なインフラストラクチャフィンガープリントのための新しいアプローチであるPeronaを紹介します。
Peronaは、ベンチマークツールの共通セットと設定をターゲットリソースに採用しているため、ベンチマークメトリクスは直接比較され、ランキングが有効になる。
われわれのアプローチは、我々の実験から収集したデータと、リソース構成最適化に関する関連する作業の両方に基づいて評価する。
論文 参考訳（メタデータ） (2022-11-15T15:48:09Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - Evolving Pareto-Optimal Actor-Critic Algorithms for Generalizability and
Stability [67.8426046908398]
汎用性と安定性は,実世界における強化学習(RL)エージェントの運用において重要な2つの目的である。
本稿では,アクター・クリティック・ロス関数の自動設計法であるMetaPGを提案する。
論文 参考訳（メタデータ） (2022-04-08T20:46:16Z) - IOHexperimenter: Benchmarking Platform for Iterative Optimization
Heuristics [3.6980928405935813]
IOHexperimenterは、反復最適化をベンチマークするための、使いやすく、高度にカスタマイズ可能なツールボックスを提供することを目標としている。
IOHexperimenterはスタンドアロンのツールとして、あるいはIOHanalyzerのようなIOHknownrの他のコンポーネントを使用するベンチマークパイプラインの一部として使用することができる。
論文 参考訳（メタデータ） (2021-11-07T13:11:37Z) - Comparative Code Structure Analysis using Deep Learning for Performance
Prediction [18.226950022938954]
本稿では,アプリケーションの静的情報(抽象構文木やASTなど)を用いてコード構造の変化に基づいて性能変化を予測することの実現可能性を評価することを目的とする。
組込み学習手法の評価により,木系長短メモリ(LSTM)モデルでは,ソースコードの階層構造を利用して遅延表現を発見し,最大84%(個人的問題)と73%(複数の問題を含む組み合わせデータセット)の精度で性能変化を予測できることが示された。
論文 参考訳（メタデータ） (2021-02-12T16:59:12Z) - Towards More Fine-grained and Reliable NLP Performance Prediction [85.78131503006193]
NLPタスクのパフォーマンス予測の改善に2つの貢献をしている。
まず,F1やBLEUのような総合的な精度測定のための性能予測器について検討する。
次に,信頼区間とキャリブレーションの2つの角度から性能予測モデルの信頼性を理解する手法を提案する。
論文 参考訳（メタデータ） (2021-02-10T15:23:20Z) - Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。
MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。
ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。
本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
論文 参考訳（メタデータ） (2020-10-24T08:50:26Z) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳（メタデータ） (2020-10-15T18:09:48Z)
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。