論文の概要: Multiobjectivization of Local Search: Single-Objective Optimization Benefits From Multi-Objective Gradient Descent

• arxiv url: http://arxiv.org/abs/2010.01004v1
• Date: Fri, 2 Oct 2020 13:56:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 00:21:29.568707
• Title: Multiobjectivization of Local Search: Single-Objective Optimization Benefits From Multi-Objective Gradient Descent
• Title（参考訳）: 局所探索の多目的化:多目的勾配による単一目的最適化の効果
• Authors: Vera Steinhoff and Pascal Kerschke and Pelin Aspar and Heike Trautmann and Christian Grimme
• Abstract要約: 局所トラップから逃れることのできる勾配降下の概念を新たに提案する。 我々は、多目的問題に対して洗練された可視化技術を用いて、アイデアの動作原理を証明する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodality is one of the biggest difficulties for optimization as local optima are often preventing algorithms from making progress. This does not only challenge local strategies that can get stuck. It also hinders meta-heuristics like evolutionary algorithms in convergence to the global optimum. In this paper we present a new concept of gradient descent, which is able to escape local traps. It relies on multiobjectivization of the original problem and applies the recently proposed and here slightly modified multi-objective local search mechanism MOGSA. We use a sophisticated visualization technique for multi-objective problems to prove the working principle of our idea. As such, this work highlights the transfer of new insights from the multi-objective to the single-objective domain and provides first visual evidence that multiobjectivization can link single-objective local optima in multimodal landscapes.
• Abstract（参考訳）: 局所最適化がアルゴリズムの進行を妨げているため、マルチモーダリティは最適化の最大の難しさの1つである。 これは、立ち往生できるローカル戦略に挑戦するだけではない。 また、グローバルな最適化に収束する進化アルゴリズムのようなメタヒューリスティックを妨げている。 本稿では,局所トラップを回避できる勾配降下の新たな概念を提案する。 これは元の問題の多目的化に依存しており、最近提案され、ここでは微修正された多目的局所探索機構MOGSAを適用している。 我々は,多目的問題に対する高度な可視化手法を用いて,アイデアの動作原理を実証する。 このように、この研究は、多目的から単目的領域への新たな洞察の伝達を強調し、多目的化が多目的景観における単目的局所最適化をリンクできるという最初の視覚的証拠を提供する。

関連論文リスト

• Maintaining Diversity Provably Helps in Evolutionary Multimodal Optimization [20.621635722585502]
  解空間における解の多様性を考慮に入れた簡単な方法が進化的アルゴリズム(EA)の探索に有効であることを示す。 提案手法は,クロスオーバーで作業することで探索の促進に寄与し,予測走行時間において,マルチモーダルあるいは指数加速度がもたらされることを実証する。
  論文  参考訳（メタデータ） (2024-06-04T17:52:14Z)
• UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [75.11267478778295]
  マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。 重みベクトル w でパラメータ化される線型効用関数の場合に焦点を当てる。 学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-05-01T09:34:42Z)
• Multi-objective optimisation via the R2 utilities [4.12484724941528]
  本稿では,多目的最適化問題を集合上で定義された単目的最適化問題に再キャストする方法を示す。 この新しい問題に対する目的関数の適切なクラスは、スカラー化された最適化問題に対する重み付き積分として定義されるユーティリティ関数であるR2ユーティリティである。 次に、これらの欲求的アルゴリズムの性能を理論的にも経験的にも分析する。
  論文  参考訳（メタデータ） (2023-05-19T16:01:35Z)
• Semantics-Aware Dynamic Localization and Refinement for Referring Image Segmentation [102.25240608024063]
  画像の参照は、言語表現からのイメージセグメントを参照する。 そこで我々は,局所化中心からセグメンテーション言語へ移行するアルゴリズムを開発した。 比較すると,本手法はより汎用的で有効である。
  論文  参考訳（メタデータ） (2023-03-11T08:42:40Z)
• CLIP the Gap: A Single Domain Generalization Approach for Object Detection [60.20931827772482]
  単一ドメインの一般化(Single Domain Generalization)は、単一のソースドメイン上でモデルをトレーニングすることで、目に見えないターゲットドメインに一般化する問題に取り組む。 本稿では、事前学習された視覚言語モデルを用いて、テキストプロンプトを介して意味領域の概念を導入することを提案する。 本手法は,検出器のバックボーンから抽出した特徴に作用する意味的拡張戦略と,テキストに基づく分類損失によって実現される。
  論文  参考訳（メタデータ） (2023-01-13T12:01:18Z)
• MOLE: Digging Tunnels Through Multimodal Multi-Objective Landscapes [0.0]
  局所的に効率的な(LE)集合は、しばしば局所探索のトラップと見なされるが、決定空間において孤立されることは滅多にない。 Multi-Objective Gradient Sliding Algorithm (MOGSA)は、これらの重ね合わせを利用するアルゴリズムの概念である。 我々は,MMMOO問題におけるLE集合を効率的にモデル化し,活用できる新しいアルゴリズムであるMulti-Objective Landscape Explorer (MOLE)を提案する。
  論文  参考訳（メタデータ） (2022-04-22T17:54:54Z)
• Multi-Source Domain Adaptation for Object Detection [52.87890831055648]
  我々は、Divide-and-Merge Spindle Network (DMSN)と呼ばれる、より高速なR-CNNベースのフレームワークを提案する。 DMSNはドメイン非ネイティブを同時に強化し、識別力を維持することができる。 擬似目標部分集合の最適パラメータを近似する新しい擬似学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-06-30T03:17:20Z)
• Multi-Objective Meta Learning [2.9932638148627104]
  統合グラデーションベースのマルチ目的メタラーニング(MOML)フレームワークを提案する。 提案されたMOMLフレームワークの有効性をいくつかのメタラーニング問題で示す。
  論文  参考訳（メタデータ） (2021-02-14T10:23:09Z)
• Learning to Generalize Unseen Domains via Memory-based Multi-Source Meta-Learning for Person Re-Identification [59.326456778057384]
  本稿では,メモリベースのマルチソースメタラーニングフレームワークを提案する。 また,メタテスト機能を多様化するメタバッチ正規化層(MetaBN)を提案する。 実験により、M$3$Lは、目に見えない領域に対するモデルの一般化能力を効果的に向上できることが示された。
  論文  参考訳（メタデータ） (2020-12-01T11:38:16Z)
• Provable Multi-Objective Reinforcement Learning with Generative Models [98.19879408649848]
  目的の選好から最適な政策を学習する単一政策 MORL の問題について検討する。 既存の方法は、多目的決定プロセスの正確な知識のような強い仮定を必要とする。 モデルベースエンベロップ値 (EVI) と呼ばれる新しいアルゴリズムを提案し, 包含された多目的$Q$学習アルゴリズムを一般化する。
  論文  参考訳（メタデータ） (2020-11-19T22:35:31Z)
• Empirical Study on the Benefits of Multiobjectivization for Solving Single-Objective Problems [0.0]
  局所オプティマはしばしばアルゴリズムの進行を防ぎ、深刻な脅威を引き起こす。 マルチオブジェクトの勾配に基づく高度な可視化技術を用いて,出現するマルチオブジェクトの景観の特性を図示し,考察した。 我々は,多目的COCOMOGSAがこれらの特性を利用して局所トラップを克服できることを実証的に示す。
  論文  参考訳（メタデータ） (2020-06-25T14:04:37Z)

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。