論文の概要: A Coevolutionary Variable Neighborhood Search Algorithm for Discrete
Multitasking (CoVNS): Application to Community Detection over Graphs
- arxiv url: http://arxiv.org/abs/2009.14477v1
- Date: Wed, 30 Sep 2020 07:26:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 22:25:44.350733
- Title: A Coevolutionary Variable Neighborhood Search Algorithm for Discrete
Multitasking (CoVNS): Application to Community Detection over Graphs
- Title（参考訳）: 離散マルチタスク(CoVNS)のための共進化可変近傍探索アルゴリズム : グラフ上のコミュニティ検出への応用
- Authors: Eneko Osaba, Esther Villar-Rodriguez, Javier Del Ser
- Abstract要約: 本稿では,マルチタスク最適化のシナリオを扱う視点として,進化的マルチタスクに着目した。
本稿では,共進化的近傍探索アルゴリズム(Coevolutionary Variable Neighborhood Search Algorithm)と名づけられた新しいマルチタスク手法を提案する。
本手法により得られた結果は, 並列変数近傍探索と基本変数近傍探索の独立実行とを比較した。
- 参考スコア（独自算出の注目度）: 8.525387045951776
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The main goal of the multitasking optimization paradigm is to solve multiple
and concurrent optimization tasks in a simultaneous way through a single search
process. For attaining promising results, potential complementarities and
synergies between tasks are properly exploited, helping each other by virtue of
the exchange of genetic material. This paper is focused on Evolutionary
Multitasking, which is a perspective for dealing with multitasking optimization
scenarios by embracing concepts from Evolutionary Computation. This work
contributes to this field by presenting a new multitasking approach named as
Coevolutionary Variable Neighborhood Search Algorithm, which finds its
inspiration on both the Variable Neighborhood Search metaheuristic and
coevolutionary strategies. The second contribution of this paper is the
application field, which is the optimal partitioning of graph instances whose
connections among nodes are directed and weighted. This paper pioneers on the
simultaneous solving of this kind of tasks. Two different multitasking
scenarios are considered, each comprising 11 graph instances. Results obtained
by our method are compared to those issued by a parallel Variable Neighborhood
Search and independent executions of the basic Variable Neighborhood Search.
The discussion on such results support our hypothesis that the proposed method
is a promising scheme for simultaneous solving community detection problems
over graphs.
- Abstract（参考訳）: マルチタスク最適化のパラダイムの主な目的は、複数の同時最適化タスクを単一の探索プロセスで同時に解決することである。
有望な結果を得るためには、潜在的な相補性とタスク間の相乗効果を適切に活用し、遺伝物質の交換によって互いに助け合う。
本稿では,進化計算の概念を取り入れたマルチタスク最適化のシナリオを扱う視点として,進化的マルチタスクに着目した。
この研究は、Cevolutionary Variable Neighborhood Search Algorithmと呼ばれる新しいマルチタスク手法を提示することで、この分野に寄与し、可変近傍探索メタヒューリスティックと共進化戦略の両方に着想を得た。
この論文の2つ目の貢献は、ノード間の接続が方向付けされ重み付けされるグラフインスタンスの最適分割であるアプリケーションフィールドである。
本稿では,このようなタスクの同時解法を開拓する。
11のグラフインスタンスで構成される2つの異なるマルチタスクシナリオが検討されている。
本手法により得られた結果は, 並列変数近傍探索と基本変数近傍探索の独立実行とを比較した。
その結果,提案手法は,グラフ上でのコミュニティ検出問題を同時に解決する有望な手法であることが示唆された。
関連論文リスト
- Quantifying Task Priority for Multi-Task Optimization [44.601029688423914]
マルチタスク学習の目標は、単一の統合ネットワーク内で多様なタスクを学習することである。
マルチタスク学習のための接続強度に基づく最適化手法を提案する。
論文 参考訳（メタデータ） (2024-06-05T06:52:29Z) - Fast Inference and Transfer of Compositional Task Structures for
Few-shot Task Generalization [101.72755769194677]
本稿では,タスクがサブタスクグラフによって特徴づけられる,数発の強化学習問題として定式化する。
我々のマルチタスクサブタスクグラフ推論器(MTSGI)は、トレーニングタスクから、まず、サブタスクグラフの観点から、一般的なハイレベルなタスク構造を推測する。
提案手法は,2次元グリッドワールドおよび複雑なWebナビゲーション領域において,タスクの共通基盤構造を学習し,活用し,未知のタスクへの適応を高速化する。
論文 参考訳（メタデータ） (2022-05-25T10:44:25Z) - Result Diversification by Multi-objective Evolutionary Algorithms with
Theoretical Guarantees [94.72461292387146]
両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。
GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳（メタデータ） (2021-10-18T14:00:22Z) - Exploring Relational Context for Multi-Task Dense Prediction [76.86090370115]
我々は,共通バックボーンと独立タスク固有のヘッドで表される,密集予測タスクのためのマルチタスク環境を考える。
マルチタスク設定では,グローバルやローカルなど,さまざまな注意に基づくコンテキストを探索する。
タスクペアごとに利用可能なすべてのコンテキストのプールをサンプリングするAdaptive Task-Relational Contextモジュールを提案する。
論文 参考訳（メタデータ） (2021-04-28T16:45:56Z) - Evolutionary Multitask Optimization: a Methodological Overview,
Challenges and Future Research Directions [8.14509634354919]
一つの探索プロセスを実行することで、複数の最適化問題を同時に解くという文脈でマルチタスクを考える。
進化的マルチタスクの新たなパラダイムは、進化的計算から引き出されたインスピレーションの概念を用いて、マルチタスク最適化のシナリオに取り組む。
論文 参考訳（メタデータ） (2021-02-04T11:48:11Z) - Multi-task Supervised Learning via Cross-learning [102.64082402388192]
我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。
我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。
これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
論文 参考訳（メタデータ） (2020-10-24T21:35:57Z) - Efficient Continuous Pareto Exploration in Multi-Task Learning [34.41682709915956]
本稿では,機械学習問題における最適解の連続解析手法を提案する。
サンプルベーススパース線形システムを提案することにより、現代の機械学習問題に対する多目的最適化の理論結果をスケールアップする。
論文 参考訳（メタデータ） (2020-06-29T23:36:20Z) - Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal
Constraints [52.58352707495122]
本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。
都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
論文 参考訳（メタデータ） (2020-05-27T01:10:41Z) - COEBA: A Coevolutionary Bat Algorithm for Discrete Evolutionary
Multitasking [9.54239662772307]
マルチタスク環境を扱うための新しいアルゴリズムスキームを提案する。
提案手法はCoevolutionary Bat Algorithmと呼ばれ、共進化的戦略とメタヒューリスティックなBat Algorithmの両方から着想を得た。
論文 参考訳（メタデータ） (2020-03-24T13:37:43Z) - Multifactorial Cellular Genetic Algorithm (MFCGA): Algorithmic Design,
Performance Comparison and Genetic Transferability Analysis [17.120962133525225]
多目的最適化は先進的な研究領域であり、近年顕著な研究の勢いを増している。
本稿では,多因子最適化シナリオのための新しいアルゴリズムスキームを提案する。
提案したMFCGAはセルオートマタの概念に基づいて,問題間の知識交換機構を実装している。
論文 参考訳（メタデータ） (2020-03-24T11:03:55Z) - Pareto Multi-Task Learning [53.90732663046125]
マルチタスク学習は複数の相関タスクを同時に解くための強力な方法である。
異なるタスクが互いに衝突する可能性があるため、すべてのタスクを最適化するひとつのソリューションを見つけることは、しばしば不可能である。
近年,マルチタスク学習を多目的最適化として活用することにより,タスク間のトレードオフが良好である1つのパレート最適解を求める方法が提案されている。
論文 参考訳（メタデータ） (2019-12-30T08:58:40Z)
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。