論文の概要: How Far Are We From an Optimal, Adaptive DE?

• arxiv url: http://arxiv.org/abs/2010.01032v1
• Date: Fri, 2 Oct 2020 14:38:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 01:05:44.845990
• Title: How Far Are We From an Optimal, Adaptive DE?
• Title（参考訳）: 最適な適応型DEからどのくらい遠いのか?
• Authors: Ryoji Tanabe and Alex Fukunaga
• Abstract要約: 我々は、適応DEに対する(ほぼ)最適パラメータ適応プロセスがどのように振る舞うかを考察する。 我々は、このほぼ最適なプロセスと、既存のDECの適応機構とを比較した。
• 参考スコア（独自算出の注目度）: 7.538482310185133
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider how an (almost) optimal parameter adaptation process for an adaptive DE might behave, and compare the behavior and performance of this approximately optimal process to that of existing, adaptive mechanisms for DE. An optimal parameter adaptation process is an useful notion for analyzing the parameter adaptation methods in adaptive DE as well as other adaptive evolutionary algorithms, but it cannot be known generally. Thus, we propose a Greedy Approximate Oracle method (GAO) which approximates an optimal parameter adaptation process. We compare the behavior of GAODE, a DE algorithm with GAO, to typical adaptive DEs on six benchmark functions and the BBOB benchmarks, and show that GAO can be used to (1) explore how much room for improvement there is in the performance of the adaptive DEs, and (2) obtain hints for developing future, effective parameter adaptation methods for adaptive DEs.
• Abstract（参考訳）: 適応的deに対する(ほぼ)最適パラメータ適応プロセスがどのように振る舞うかを考察し、この近似最適化プロセスの挙動と性能を既存の適応的deメカニズムと比較する。 最適パラメータ適応プロセスは、適応型deおよび他の適応型進化アルゴリズムでパラメータ適応法を分析するのに有用な概念であるが、一般には知られていない。 そこで我々は,最適パラメータ適応過程を近似したGreedy Approximate Oracle Method (GAO)を提案する。 6つのベンチマーク関数とBBOBベンチマーク上でのGAODEの挙動を,GAODEとGAOの典型的な適応Dsと比較し,(1)適応Dsの性能向上にどの程度の余地があるか,(2)適応Dsに有効なパラメータ適応法を開発するためのヒントを得るためにGAOが利用できることを示す。

関連論文リスト

• An investigation on the use of Large Language Models for hyperparameter tuning in Evolutionary Algorithms [4.0998481751764]
  最適化ログをオンラインで分析するために,オープンソースのLarge Language Models (LLM) を2つ採用している。 本研究では, (1+1)-ESのステップサイズ適応の文脈におけるアプローチについて検討する。
  論文  参考訳（メタデータ） (2024-08-05T13:20:41Z)
• Adaptive Preference Scaling for Reinforcement Learning with Human Feedback [103.36048042664768]
  人間からのフィードバックからの強化学習(RLHF)は、AIシステムと人間の価値を合わせるための一般的なアプローチである。 本稿では,分散ロバスト最適化(DRO)に基づく適応的優先損失を提案する。 提案手法は多用途であり,様々な選好最適化フレームワークに容易に適用可能である。
  論文  参考訳（メタデータ） (2024-06-04T20:33:22Z)
• Adaptive Bayesian Optimization for High-Precision Motion Systems [2.073673208115137]
  低レベル制御パラメータをオンラインチューニングすることで、適応制御のためのリアルタイム純粋データ駆動モデルフリーアプローチを提案する。 我々は安全かつサンプル効率のよいベイズ最適化アルゴリズムであるGoOSEをベースとした。 半導体産業に応用した実精度運動システムにおけるアルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2024-04-22T21:58:23Z)
• Towards Efficient Exact Optimization of Language Model Alignment [93.39181634597877]
  嗜好データから直接ポリシーを最適化するために、直接選好最適化(DPO)が提案された。 問題の最適解に基づいて導出されたDPOが,現実の最適解の妥協平均探索近似に繋がることを示す。 本稿では、アライメント目的の効率的な精度最適化(EXO)を提案する。
  論文  参考訳（メタデータ） (2024-02-01T18:51:54Z)
• Evolutionary Solution Adaption for Multi-Objective Metal Cutting Process Optimization [59.45414406974091]
  我々は,従来の最適化タスクから解を転送するアルゴリズムの能力を研究することのできる,システムの柔軟性のためのフレームワークを提案する。 NSGA-IIの柔軟性を2つの変種で検討し,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)活性化あるいは非活性化の異なる可能性に対応する能動的非アクティブなジェノタイプについて検討した。 その結果,標準NSGA-IIによる適応は目標目標への最適化に必要な評価回数を大幅に削減し,提案した変種は適応コストをさらに向上することがわかった。
  論文  参考訳（メタデータ） (2023-05-31T12:07:50Z)
• Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
  統計的決定論の研究からシャノンエントロピーの一般化を考える。 まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。 次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
  論文  参考訳（メタデータ） (2022-10-04T04:43:58Z)
• Adaptive Optimizer for Automated Hyperparameter Optimization Problem [0.0]
  本稿では,最適化プロセスにおいて適切なパラメータを自動的に調整する適応型フレームワークを構築可能な汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-28T13:58:10Z)
• Learning adaptive differential evolution algorithm from optimization experiences by policy gradient [24.2122434523704]
  本稿では,一連の問題に対する最適化経験から学習した適応パラメータ制御手法を提案する。 提案した微分進化の制御パラメータを適応的に提供できるエージェントを学習するために、強化学習アルゴリズム、名前付きポリシーを適用した。 提案アルゴリズムは、CEC'13とCEC'17テストスイートでよく知られた9つの進化的アルゴリズムと競合して動作する。
  論文  参考訳（メタデータ） (2021-02-06T12:01:20Z)
• 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)
• Convergence of adaptive algorithms for weakly convex constrained optimization [59.36386973876765]
  モローエンベロープの勾配のノルムに対して$mathcaltilde O(t-1/4)$収束率を証明する。 我々の分析では、最小バッチサイズが1ドル、定数が1位と2位のモーメントパラメータが1ドル、そしておそらくスムーズな最適化ドメインで機能する。
  論文  参考訳（メタデータ） (2020-06-11T17:43:19Z)
• Adaptation of Engineering Wake Models using Gaussian Process Regression and High-Fidelity Simulation Data [0.0]
  本稿では,9基の風力発電所のヨー制御入力の最適化について検討する。 高忠実度シミュレータSOWFAを用いて風力発電を模擬する。
  論文  参考訳（メタデータ） (2020-03-30T10:22:57Z)

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。