論文の概要: Fast Greedy Subset Selection from Large Candidate Solution Sets in
Evolutionary Multi-objective Optimization
- arxiv url: http://arxiv.org/abs/2102.00941v1
- Date: Mon, 1 Feb 2021 16:14:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-13 02:56:20.379938
- Title: Fast Greedy Subset Selection from Large Candidate Solution Sets in
Evolutionary Multi-objective Optimization
- Title（参考訳）: 進化的多目的最適化における大規模候補解集合からの高速グリーディサブセット選択
- Authors: Weiyu Chen, Hisao Ishibuchi, and Ke Shang
- Abstract要約: 本稿では,超体積,IGD,IGD+インジケータのグリーディ部分選択の効率について論じる。
我々の考えは、超体積インジケータで知られている部分モジュラー特性を用いて、それらの効率を改善することである。
- 参考スコア（独自算出の注目度）: 11.110675371854988
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Subset selection is an interesting and important topic in the field of
evolutionary multi-objective optimization (EMO). Especially, in an EMO
algorithm with an unbounded external archive, subset selection is an essential
post-processing procedure to select a pre-specified number of solutions as the
final result. In this paper, we discuss the efficiency of greedy subset
selection for the hypervolume, IGD and IGD+ indicators. Greedy algorithms
usually efficiently handle subset selection. However, when a large number of
solutions are given (e.g., subset selection from tens of thousands of solutions
in an unbounded external archive), they often become time-consuming. Our idea
is to use the submodular property, which is known for the hypervolume
indicator, to improve their efficiency. First, we prove that the IGD and IGD+
indicators are also submodular. Next, based on the submodular property, we
propose an efficient greedy inclusion algorithm for each indicator. Then, we
demonstrate through computational experiments that the proposed algorithms are
much faster than the standard greedy subset selection algorithms.
- Abstract（参考訳）: サブセット選択は進化的多目的最適化(EMO)の分野において興味深く重要なトピックである。
特に、非有界な外部アーカイブを持つEMOアルゴリズムでは、サブセット選択は、最終結果としてあらかじめ指定された数のソリューションを選択するために必須な後処理手順である。
本稿では,超体積,IGD,IGD+インジケータのグリーディ部分選択の効率について論じる。
グリーディアルゴリズムは通常、サブセット選択を効率的に処理する。
しかし、多数のソリューションが与えられると(例えば、無制限の外部アーカイブにおける数万のソリューションからのサブセット選択など)、それらはしばしば時間がかかります。
我々の考えは、超体積指標で知られている部分モジュラー特性を用いて効率を向上させることである。
まず、IGDとIGD+の指標も準モジュラであることを示す。
次に,サブモジュラー特性に基づき,各指標に対する効率的なグリーディ包含アルゴリズムを提案する。
次に,提案アルゴリズムが標準部分集合選択アルゴリズムよりもはるかに高速であることを示す計算実験を行った。
関連論文リスト
- Training Greedy Policy for Proposal Batch Selection in Expensive Multi-Objective Combinatorial Optimization [52.80408805368928]
本稿では,バッチ取得のための新しいグリーディ型サブセット選択アルゴリズムを提案する。
赤蛍光タンパク質に関する実験により,提案手法は1.69倍少ないクエリでベースライン性能を達成できることが判明した。
論文 参考訳（メタデータ） (2024-06-21T05:57:08Z) - Feature Selection as Deep Sequential Generative Learning [50.00973409680637]
本研究では, 逐次再構成, 変分, 性能評価器の損失を伴って, 深部変分変圧器モデルを構築した。
提案モデルでは,特徴選択の知識を抽出し,連続的な埋め込み空間を学習し,特徴選択決定シーケンスをユーティリティスコアに関連付けられた埋め込みベクトルにマッピングする。
論文 参考訳（メタデータ） (2024-03-06T16:31:56Z) - On Distributed Larger-Than-Memory Subset Selection With Pairwise
Submodular Functions [32.09166873008287]
凸性の離散的な類似である部分モジュラリティは、一般に部分集合選択問題を解くために用いられる。
本稿では,証明可能な近似保証付き分散境界アルゴリズムを提案する。
これらのアルゴリズムは,CIFAR-100 と ImageNet の高品質なサブセットを,集中型手法と比較すると,品質が損なわれ,あるいは損なわれていないことを示す。
論文 参考訳（メタデータ） (2024-02-26T09:38:39Z) - Rank-Based Learning and Local Model Based Evolutionary Algorithm for High-Dimensional Expensive Multi-Objective Problems [1.0499611180329806]
提案アルゴリズムは, ランクベース学習, ハイパーボリュームベース非支配探索, 比較的スパースな対象空間における局所探索の3つの部分からなる。
地熱貯留層熱抽出最適化におけるベンチマーク問題と実世界の応用の実験的結果は,提案アルゴリズムが優れた性能を示すことを示すものである。
論文 参考訳（メタデータ） (2023-04-19T06:25:04Z) - Fast Feature Selection with Fairness Constraints [49.142308856826396]
モデル構築における最適特徴の選択に関する基礎的問題について検討する。
この問題は、greedyアルゴリズムの変種を使用しても、大規模なデータセットで計算的に困難である。
適応クエリモデルは,最近提案された非モジュラー関数に対する直交整合探索のより高速なパラダイムに拡張する。
提案アルゴリズムは、適応型クエリモデルにおいて指数関数的に高速な並列実行を実現する。
論文 参考訳（メタデータ） (2022-02-28T12:26:47Z) - Benchmarking Subset Selection from Large Candidate Solution Sets in
Evolutionary Multi-objective Optimization [6.544757635738911]
進化的多目的最適化(EMO)の分野では、EMOアルゴリズムの最終個体群を出力として提示する。
近年,アーカイブの進化中に生成したすべての非支配的ソリューションを格納することで,この問題を解決するための新しい EMO フレームワークが提案されている。
本稿では,大規模候補解集合からのサブセット選択のためのベンチマークテストスイートを提案する。
論文 参考訳（メタデータ） (2022-01-18T02:09:08Z) - Joint Deep Reinforcement Learning and Unfolding: Beam Selection and
Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。
本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
論文 参考訳（メタデータ） (2021-01-05T03:55:04Z) - Lazy Greedy Hypervolume Subset Selection from Large Candidate Solution
Sets [5.222705629027499]
超体積インジケータのサブモジュラー特性を利用した新しい遅延グリードアルゴリズムを提案する。
実験結果から,提案アルゴリズムは元のグレディ包摂アルゴリズムよりも数百倍高速であることがわかった。
論文 参考訳（メタデータ） (2020-07-04T09:19:45Z) - Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。
我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文 参考訳（メタデータ） (2020-01-29T09:40:58Z) - Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。
最小クラスタ回復誤差率のアルゴリズムを考案する。
適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2019-10-14T09:18:26Z)
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。