論文の概要: Revisiting Locality in Binary-Integer Representations

• arxiv url: http://arxiv.org/abs/2007.12159v2
• Date: Wed, 28 Oct 2020 23:43:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 12:02:52.244544
• Title: Revisiting Locality in Binary-Integer Representations
• Title（参考訳）: binary-integer表現における局所性の再検討
• Authors: Hrishee Shastri, Eitan Frachtenberg
• Abstract要約: 我々はロスラウフの広く使われている局所性指標のレンズを通して、非冗長なビットストリング-整数表現を解析する。 標準バイナリは、間違いなくGrayのエンコーディングよりも、Grayのリフレクションを含む、悪いローカリティがないことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Mutation and recombination operators play a key role in determining the speed and quality of Genetic and Evolutionary Algorithms (GEAs). Prior work has analyzed the effects of these operators on genotypic variation, often using locality metrics that measure the sensitivity and stability of genotype-phenotype representations to these operators. In this paper, we focus on an important subset of representations, namely nonredundant bitstring-to-integer representations, and analyze them through the lens of Rothlauf's widely used locality metrics. We first define locality metrics equivalent to Rothlauf's that are tailored to our domain: the \textit{point locality} for single-bit mutation and \textit{general locality} for recombination. With these definitions, we derive tight bounds and a closed form expected value for point locality. For general locality we show that it is asymptotically equivalent across all representations and operators. We also recreate three established GEA experiments to understand the predictive power of point locality on GEA performance, focusing on two popular and often juxtaposed representations: standard binary and binary reflected Gray. We show that standard binary has provably no worse locality than any Gray encoding, including binary reflected Gray. We discuss this result in the context of previous studies that found binary reflected Gray to outperform standard binary, and we argue that locality cannot be the explanation for strong performance. Finally, we provide empirical evidence that weak point locality representations can be beneficial to performance in the exploration phase of the GEA, while strong point locality representations are more beneficial in the exploitation phase.
• Abstract（参考訳）: 突然変異と組換え演算子は、遺伝進化アルゴリズム(GEAs)の速度と品質を決定する上で重要な役割を果たしている。 先行研究は、これらの演算子が遺伝子型の変化に与える影響を分析し、それらの演算子に対する遺伝子型表現の感度と安定性を測定する局所性メトリクスを用いていることが多い。 本稿では,非冗長なビットストリング-整数表現という,表現の重要な部分集合に着目し,ロスラウフの広く用いられている局所性指標のレンズを通して解析する。 まず、ドメインに合わせて調整されたrothlaufと等価な局所性メトリクスを定義します。 単一ビット突然変異の \textit{point locality} と再結合の \textit{general locality} です。 これらの定義により、接境界と点局所性に対する閉形式期待値が導出される。 一般の局所性については、すべての表現と作用素に対して漸近同値であることを示す。 また,gea性能における点局所性の予測力を理解するための3つの確立されたgea実験を再現した。 標準バイナリは、間違いなくGrayのエンコーディングよりも、Grayのリフレクションを含む、悪いローカリティがないことを示す。 この結果について,二分法が標準二分法を上回ってグレーに反映しているという過去の研究の文脈で考察し,局所性は性能の強い説明にはなり得ないと主張する。 最後に,弱点局所性表現はgeaの探索段階における性能に有益であり,強点局所性表現は開拓段階においてより有益であることを示す。

関連論文リスト

• Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
  斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。 既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
  論文  参考訳（メタデータ） (2024-11-06T11:03:02Z)
• Relative Representations: Topological and Geometric Perspectives [53.88896255693922]
  相対表現はゼロショットモデルの縫合に対する確立されたアプローチである。 相対変換において正規化手順を導入し、非等方的再スケーリングや置換に不変となる。 第二に、クラス内のクラスタリングを促進するトポロジカル正規化損失である、微調整された相対表現におけるトポロジカルデシフィケーションの展開を提案する。
  論文  参考訳（メタデータ） (2024-09-17T08:09:22Z)
• Sim-to-Real Grasp Detection with Global-to-Local RGB-D Adaptation [19.384129689848294]
  本稿では,RGB-Dグリップ検出のシム・ツー・リアル問題に着目し,ドメイン適応問題として定式化する。 本稿では,RGBと深度データにおけるハイブリッドドメインギャップに対処し,マルチモーダルな特徴アライメントが不十分なグローバル・ローカルな手法を提案する。
  論文  参考訳（メタデータ） (2024-03-18T06:42:38Z)
• Remarks on the quasi-position representation in models of generalized uncertainty principle [0.0]
  このノートは1次元モデルの研究で頻繁に使われる準位表現の特定の側面を解明することを目的としている。 最近の主張とは対照的に、(i)準ポジション作用素は非エルミート的でも物理的意義を持つことができ、(ii)準ポジション表現において、位置に関連する作用素は準ポジション座標上の微分作用素として振る舞う。
  論文  参考訳（メタデータ） (2023-06-20T11:46:56Z)
• Discriminative Radial Domain Adaptation [62.22362756424971]
  本稿では、ソースとターゲットドメインを共有ラジアル構造を介してブリッジする差別的ラジアルドメイン適応(DRDR)を提案する。 このような固有識別構造を移行することで,特徴伝達性と識別可能性の同時向上が期待できることを示す。 提案手法は,様々なタスクに対する最先端のアプローチを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2023-01-01T10:56:31Z)
• Region-Based Semantic Factorization in GANs [67.90498535507106]
  本稿では,任意の画像領域についてGAN(Generative Adversarial Networks)が学習した潜在意味を分解するアルゴリズムを提案する。 適切に定義された一般化されたレイリー商を通して、アノテーションや訓練なしにそのような問題を解く。 様々な最先端のGANモデルに対する実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-02-19T17:46:02Z)
• Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring Network [58.05473757538834]
  本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。 3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-07-27T14:47:24Z)
• A Hierarchical Dual Model of Environment- and Place-Specific Utility for Visual Place Recognition [26.845945347572446]
  視覚的位置認識(VPR)のための2つの重要なユーティリティを推定する新しい手法を提案する。 本稿では,Vactor of Locally Aggregated Descriptors(VLAD)クラスタの環境特性と場所特性の両方を推定するために,対照的な学習原理を用いる。 これら2つのユーティリティ指標を組み合わせることで、3つの挑戦的なベンチマークデータセットに対して最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-07-06T07:38:47Z)
• G$^2$DA: Geometry-Guided Dual-Alignment Learning for RGB-Infrared Person Re-Identification [3.909938091041451]
  RGB-IRの人物再識別は、異種間の興味のある人物を検索することを目的としている。 本稿では,サンプルレベルのモダリティ差に対処するための幾何誘導デュアルアライメント学習フレームワーク(G$2$DA)を提案する。
  論文  参考訳（メタデータ） (2021-06-15T03:14:31Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)
• Contextual-Relation Consistent Domain Adaptation for Semantic Segmentation [44.19436340246248]
  本稿では,革新的局所文脈相関整合ドメイン適応手法を提案する。 グローバルレベルのアライメントにおいて、地域レベルのコンピテンシーを達成することを目的としている。 実験では, 最先端手法と比較して, セグメンテーション性能が優れていることを示した。
  論文  参考訳（メタデータ） (2020-07-05T19:00:46Z)

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。