論文の概要: Linear Matrix Factorization Embeddings for Single-objective Optimization
Landscapes
- arxiv url: http://arxiv.org/abs/2009.14506v1
- Date: Wed, 30 Sep 2020 08:46:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 23:01:11.150505
- Title: Linear Matrix Factorization Embeddings for Single-objective Optimization
Landscapes
- Title(参考訳): 単目的最適化景観に対する線形行列分解埋め込み
- Authors: Tome Eftimov, Gorjan Popovski, Quentin Renau, Peter Korosec, Carola
Doerr
- Abstract要約: ブラックボックス最適化では、機能は$(x,f(x))$サンプルのセットから導出する必要がある。
行列因数分解による線形次元の減少は、異なる問題インスタンス間の相関関係のより良い検出に大きく寄与することを示す。
- 参考スコア(独自算出の注目度): 0.755972004983746
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated per-instance algorithm selection and configuration have shown
promising performances for a number of classic optimization problems, including
satisfiability, AI planning, and TSP. The techniques often rely on a set of
features that measure some characteristics of the problem instance at hand. In
the context of black-box optimization, these features have to be derived from a
set of $(x,f(x))$ samples. A number of different features have been proposed in
the literature, measuring, for example, the modality, the separability, or the
ruggedness of the instance at hand. Several of the commonly used features,
however, are highly correlated. While state-of-the-art machine learning
techniques can routinely filter such correlations, they hinder explainability
of the derived algorithm design techniques.
We therefore propose in this work to pre-process the measured (raw) landscape
features through representation learning. More precisely, we show that a linear
dimensionality reduction via matrix factorization significantly contributes
towards a better detection of correlation between different problem instances
-- a key prerequisite for successful automated algorithm design.
- Abstract(参考訳): インスタンスごとのアルゴリズム選択と構成の自動化は、満足度、AI計画、TSPなど、数多くの古典的な最適化問題に対して有望なパフォーマンスを示している。
これらのテクニックは、しばしば問題インスタンスのいくつかの特性を測定する一連の機能に依存しています。
ブラックボックス最適化の文脈では、これらの特徴は$(x,f(x))$サンプルの集合から導き出さなければならない。
文学では、例えばモダリティ、分離性、または手元にあるインスタンスの頑丈さなど、いくつかの異なる特徴が提案されている。
しかし、一般的に使われるいくつかの特徴は高い相関関係にある。
最先端の機械学習技術は、その相関を日常的にフィルタリングすることができるが、アルゴリズム設計手法の説明可能性を妨げる。
そこで本研究では,実測した景観特徴を表現学習により前処理する手法を提案する。
より正確には、行列因子分解による線形次元の削減は、異なる問題インスタンス間の相関をより良く検出するのに役立つことが示され、これはアルゴリズム設計の成功に重要な前提条件である。
関連論文リスト
- Interpretable Linear Dimensionality Reduction based on Bias-Variance
Analysis [45.3190496371625]
本稿では,特徴の解釈可能性を維持するための基本次元削減手法を提案する。
このように、全ての特徴を考慮し、次元性を減らし、解釈可能性を保持する。
論文 参考訳(メタデータ) (2023-03-26T14:30:38Z) - An evaluation framework for dimensionality reduction through sectional
curvature [59.40521061783166]
本研究は,非教師付き次元減少性能指標を初めて導入することを目的としている。
その実現可能性をテストするために、この測定基準は最もよく使われる次元削減アルゴリズムの性能を評価するために用いられている。
新しいパラメータ化問題インスタンスジェネレータが関数ジェネレータの形式で構築されている。
論文 参考訳(メタデータ) (2023-03-17T11:59:33Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳(メタデータ) (2023-01-28T01:50:42Z) - Stabilizing Q-learning with Linear Architectures for Provably Efficient
Learning [53.17258888552998]
本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。
このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
論文 参考訳(メタデータ) (2022-06-01T23:26:51Z) - Learning for Spatial Branching: An Algorithm Selection Approach [0.0]
本研究では,非線形最適化問題の文脈で分岐学習フレームワークを開発し,その有効性を示す。
提案した学習は、インスタンス固有の機能に基づいてオフラインで実行され、新しいインスタンスを解く際の計算オーバーヘッドがない。
異なるベンチマークインスタンスの実験では、学習ベースの分岐ルールが標準ルールを大幅に上回っていることが示されている。
論文 参考訳(メタデータ) (2022-04-22T17:23:43Z) - The Importance of Landscape Features for Performance Prediction of
Modular CMA-ES Variants [2.3823600586675724]
近年の研究では、教師あり機械学習手法が問題事例から抽出したランドスケープ特徴を用いてアルゴリズムの性能を予測できることが示されている。
モジュール型CMA-ESフレームワークを考察し、各ランドスケープ機能が最適なアルゴリズム性能回帰モデルにどの程度貢献するかを推定する。
論文 参考訳(メタデータ) (2022-04-15T11:55:28Z) - Explainable Landscape Analysis in Automated Algorithm Performance
Prediction [0.0]
自動アルゴリズムの性能予測において,異なる教師付き機械学習モデルによって活用される問題景観の特徴の表現性について検討する。
教師付きML回帰モデルでは,問題ランドスケープの特徴が異なるため,教師付きML手法の選択が重要であることを実験的に指摘した。
論文 参考訳(メタデータ) (2022-03-22T15:54:17Z) - Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。
FNMFはその重要性に応じて特徴の重みを適応的に学習する。
提案する最適化アルゴリズムを用いて効率的に解くことができる。
論文 参考訳(メタデータ) (2021-03-24T21:17:17Z) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳(メタデータ) (2020-06-18T19:11:54Z) - Landscape-Aware Fixed-Budget Performance Regression and Algorithm
Selection for Modular CMA-ES Variants [1.0965065178451106]
市販の教師あり学習手法を用いて,高品質な性能予測が可能であることを示す。
このアプローチを,モジュール型CMA-ESアルゴリズム群から選択した,非常に類似したアルゴリズムのポートフォリオ上でテストする。
論文 参考訳(メタデータ) (2020-06-17T13:34:57Z) - Discovering Representations for Black-box Optimization [73.59962178534361]
ブラックボックス最適化符号化は手作業で行うのではなく,自動的に学習可能であることを示す。
学習された表現は、標準的なMAP-Elitesよりも桁違いに少ない評価で高次元の問題を解くことができることを示す。
論文 参考訳(メタデータ) (2020-03-09T20:06:20Z)
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。