論文の概要: Computing Diverse Sets of Solutions for Monotone Submodular Optimisation Problems

• arxiv url: http://arxiv.org/abs/2010.11486v1
• Date: Thu, 22 Oct 2020 07:11:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 05:03:55.389171
• Title: Computing Diverse Sets of Solutions for Monotone Submodular Optimisation Problems
• Title（参考訳）: モノトンサブモジュラー最適化問題に対する多種多様な解集合の計算
• Authors: Aneta Neumann, Jakob Bossek, Frank Neumann
• Abstract要約: 本稿では,サブモジュール最適化問題に対する多種多様な高品質解集合の計算手法を提案する。 まず, エントロピーによって測定された多様性について, グリーディサンプリング手法の多様化と解析を行った。 次に、進化的多様性最適化手法を導入し、解の集合の多様性をさらに改善する。
• 参考スコア（独自算出の注目度）: 13.026567958569965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Submodular functions allow to model many real-world optimisation problems. This paper introduces approaches for computing diverse sets of high quality solutions for submodular optimisation problems. We first present diversifying greedy sampling approaches and analyse them with respect to the diversity measured by entropy and the approximation quality of the obtained solutions. Afterwards, we introduce an evolutionary diversity optimisation approach to further improve diversity of the set of solutions. We carry out experimental investigations on popular submodular benchmark functions that show that the combined approaches achieve high quality solutions of large diversity.
• Abstract（参考訳）: サブモジュラー関数は、多くの現実世界の最適化問題をモデル化することができる。 本稿では,サブモジュール最適化問題に対する多種多様な高品質解の計算手法を提案する。 まず, エントロピーによって測定された多様性と得られた溶液の近似品質について, グリーディサンプリング手法の多様化と解析を行った。 続いて,進化的多様性の最適化手法を導入し,ソリューションセットの多様性をさらに改善する。 本研究は,提案手法を組み合わさることで,高次多様性の高品質な解が得られることを示す,人気サブモジュラーベンチマーク関数に関する実験的研究を行う。

関連論文リスト

• Learning Joint Models of Prediction and Optimization [56.04498536842065]
  Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。 本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-07T19:52:14Z)
• Optimizing Solution-Samplers for Combinatorial Problems: The Landscape of Policy-Gradient Methods [52.0617030129699]
  本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。 我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。 本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
  論文  参考訳（メタデータ） (2023-10-08T23:39:38Z)
• Multi-Objective GFlowNets [59.16787189214784]
  本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。 薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。 GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
  論文  参考訳（メタデータ） (2022-10-23T16:15:36Z)
• Computing High-Quality Solutions for the Patient Admission Scheduling Problem using Evolutionary Diversity Optimisation [10.609857097723266]
  我々は、現実世界の問題、すなわち患者受け入れスケジューリングに対する進化的多様性の最適化に適応する。 本稿では,各解の品質を考慮に入れた一組の解において,構造的多様性を実現するための進化的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-28T14:26:45Z)
• Coevolutionary Pareto Diversity Optimization [13.026567958569965]
  共進化的Pareto Diversity Optimizationアプローチを導入する。 特に,集団間クロスオーバーの利用により,解の集合の多様性がさらに向上することを示す。
  論文  参考訳（メタデータ） (2022-04-12T00:52:13Z)
• Evolutionary Diversity Optimisation for The Traveling Thief Problem [11.590506672325668]
  解の集合の構造的多様性を最大化する二段階の進化的アルゴリズムを導入する。 多様性を得る最良の方法を実証的に決定する。 実験の結果,ほとんどのTTPベンチマークインスタンスにおける構造的多様性の観点から,QDアプローチの大幅な改善が示された。
  論文  参考訳（メタデータ） (2022-04-06T10:13:55Z)
• Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
  非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。 本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
  論文  参考訳（メタデータ） (2022-01-28T05:53:28Z)
• An Analysis of Phenotypic Diversity in Multi-Solution Optimization [118.97353274202749]
  マルチモーダル最適化は高い適合性ソリューションを生み出し、品質の多様性は遺伝的中立性に敏感ではない。 オートエンコーダは表現型特徴を自動的に発見するために使用され、品質の多様性を備えたさらに多様なソリューションセットを生成する。
  論文  参考訳（メタデータ） (2021-05-10T10:39:03Z)
• Entropy-Based Evolutionary Diversity Optimisation for the Traveling Salesperson Problem [11.590506672325668]
  我々は,高次エントロピー尺度(High-order entropy measure)と呼ばれる集団多様性尺度を進化的アルゴリズムに応用し,トラベリングセールスパーソン問題に対する多様な高品質な解を求める。 最近提案されたエッジベースの多様性最適化アプローチと比較して,多数のソリューションや長いセグメントを扱う場合に比べて,大幅な改善が見られた。
  論文  参考訳（メタデータ） (2021-04-28T02:36:14Z)
• GACEM: Generalized Autoregressive Cross Entropy Method for Multi-Modal Black Box Constraint Satisfaction [69.94831587339539]
  本稿では,マスク付き自己回帰ニューラルネットワークを用いて解空間上の均一分布をモデル化するクロスエントロピー法(CEM)を提案する。 我々のアルゴリズムは複雑な解空間を表現でき、様々な異なる解領域を追跡できる。
  論文  参考訳（メタデータ） (2020-02-17T20:21:20Z)

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。