論文の概要: A Framework for Knowledge Integrated Evolutionary Algorithms

• arxiv url: http://arxiv.org/abs/2103.16897v1
• Date: Wed, 31 Mar 2021 08:30:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-02 01:00:14.250829
• Title: A Framework for Knowledge Integrated Evolutionary Algorithms
• Title（参考訳）: 知識統合進化アルゴリズムのためのフレームワーク
• Authors: Ahmed Hallawa, Anil Yaman, Giovanni Iacca, Gerd Ascheid
• Abstract要約: 我々は、進化的アルゴリズム(EA)への既存の知識の統合を容易にする、知識統合進化アルゴリズム(KIEA)と呼ばれるフレームワークを提案する。 KIEAフレームワークはEAに依存しない(進化的アルゴリズムで機能する)、問題に依存しない(特定の種類の問題に特化していない)、拡張可能である(つまり知識ベースは時間とともに成長する)。 ここで示した予備実験では、KIEAフレームワークが最悪の場合、収束時間、w.r.t.の80%の改善を生み出すことを観察する。 対応する「知識」
• 参考スコア（独自算出の注目度）: 3.56528037999132
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One of the main reasons for the success of Evolutionary Algorithms (EAs) is their general-purposeness, i.e., the fact that they can be applied straightforwardly to a broad range of optimization problems, without any specific prior knowledge. On the other hand, it has been shown that incorporating a priori knowledge, such as expert knowledge or empirical findings, can significantly improve the performance of an EA. However, integrating knowledge in EAs poses numerous challenges. It is often the case that the features of the search space are unknown, hence any knowledge associated with the search space properties can be hardly used. In addition, a priori knowledge is typically problem-specific and hard to generalize. In this paper, we propose a framework, called Knowledge Integrated Evolutionary Algorithm (KIEA), which facilitates the integration of existing knowledge into EAs. Notably, the KIEA framework is EA-agnostic (i.e., it works with any evolutionary algorithm), problem-independent (i.e., it is not dedicated to a specific type of problems), expandable (i.e., its knowledge base can grow over time). Furthermore, the framework integrates knowledge while the EA is running, thus optimizing the use of the needed computational power. In the preliminary experiments shown here, we observe that the KIEA framework produces in the worst case an 80% improvement on the converge time, w.r.t. the corresponding "knowledge-free" EA counterpart.
• Abstract（参考訳）: 進化的アルゴリズム(EA)が成功した主な理由の1つは、その汎用性、すなわち、特定の事前知識を伴わずに、広範囲の最適化問題に直接適用できるという事実である。 一方,専門知識や経験的知見などの事前知識を取り入れることで,EAの性能が著しく向上することが示されている。 しかし、EAにおける知識の統合は多くの課題を引き起こします。 探索空間の特徴が未知である場合が多いので、探索空間の性質に関する知識はほとんど使用できない。 加えて、事前知識は一般に問題固有であり、一般化するのは難しい。 本稿では,既存の知識をEAに統合するためのフレームワークである知識統合進化アルゴリズム(KIEA)を提案する。 特に、KIEAフレームワークはEAに依存しない(すなわち、進化的アルゴリズムで動く)、問題に依存しない(特定の種類の問題に特化していない)、拡張可能である(つまり、知識ベースは時間とともに成長する)。 さらに、このフレームワークはEAが実行中の知識を統合し、必要な計算能力の使用を最適化する。 ここでの予備実験では、kieaフレームワークが最悪の場合、収束時間(w.r.t.)で80%改善するという結果が得られた。 対応する "知識フリー" ea に対応する。

関連論文リスト

• Understanding and Benchmarking Artificial Intelligence: OpenAI's o3 Is Not AGI [0.0]
  OpenAIのo3は、インテリジェンスを測定するためのベンチマークであるARC-AGIで87.5%のハイスコアを達成した。 これにより,大規模言語モデル(LLM)に基づくシステム,特にo3は,人工知能(AGI)に対する知性や進歩を示すのか,という疑問が提起される。
  論文  参考訳（メタデータ） (2025-01-13T16:28:01Z)
• Learning Evolution via Optimization Knowledge Adaptation [50.280704114978384]
  進化的アルゴリズム(EA)は、複雑なタスクの解を見つけるために、進化的演算子を通して集団を維持する。 最適化知識適応進化モデル(okaEM)を導入し,最適化能力を向上する。 okaEMは、様々な知識伝達設定におけるパフォーマンス向上のために、事前知識を活用する。 自然選択と遺伝子組換えの原理をエミュレートすることができる。
  論文  参考訳（メタデータ） (2025-01-04T05:35:21Z)
• Can Learned Optimization Make Reinforcement Learning Less Difficult? [70.5036361852812]
  学習の最適化が強化学習の難しさを克服するのに役立つかどうかを検討する。 本稿では, 塑性, 探索および非定常性のための学習最適化手法(OPEN)を用いて, 入力特性と出力構造がこれらの困難に対して予め提案された情報によって通知される更新規則をメタラーニングする。
  論文  参考訳（メタデータ） (2024-07-09T17:55:23Z)
• InfuserKI: Enhancing Large Language Models with Knowledge Graphs via Infuser-Guided Knowledge Integration [58.61492157691623]
  知識を統合する手法が開発され、外部モジュールを通してLLMをドメイン固有の知識グラフに拡張した。 本研究は,未知の知識をLLMに効率的に統合することで,未知の知識を不要に重複させるという,新たな問題に焦点をあてる。 新しい知識を導入するリスクは、既存の知識を忘れることである。
  論文  参考訳（メタデータ） (2024-02-18T03:36:26Z)
• Causal discovery using dynamically requested knowledge [7.904709685523615]
  Causal Bayesian Networks (CBN) は、複雑な実世界のシステムにおいて不確実性の下で推論するための重要なツールである。 本研究では,構造学習アルゴリズム自体が,アルゴリズムが不確実であると認識する関係について,知識を動的に識別し,要求する新たなアプローチについて検討する。 構造的精度は,既存の知識統合手法よりも大幅に向上した。
  論文  参考訳（メタデータ） (2023-10-17T11:21:23Z)
• Learning by Applying: A General Framework for Mathematical Reasoning via Enhancing Explicit Knowledge Learning [47.96987739801807]
  本稿では,既存のモデル(バックボーン)を明示的な知識学習によって原則的に拡張する枠組みを提案する。 LeApでは,新しい問題知識表現パラダイムで知識学習を行う。 LeApはすべてのバックボーンのパフォーマンスを改善し、正確な知識を習得し、より解釈可能な推論プロセスを実現する。
  論文  参考訳（メタデータ） (2023-02-11T15:15:41Z)
• KAT: A Knowledge Augmented Transformer for Vision-and-Language [56.716531169609915]
  我々は、OK-VQAのオープンドメインマルチモーダルタスクにおいて、最先端の強力な結果をもたらす新しいモデルである知識拡張トランスフォーマー(KAT)を提案する。 提案手法は,エンド・ツー・エンドのエンコーダ・デコーダアーキテクチャにおいて暗黙的かつ明示的な知識を統合しつつ,回答生成時に両知識源を共同で推論する。 我々の分析では、モデル予測の解釈可能性の向上に、明示的な知識統合のさらなる利点が見られる。
  論文  参考訳（メタデータ） (2021-12-16T04:37:10Z)
• Incremental Knowledge Based Question Answering [52.041815783025186]
  人間と同じように学習能力を段階的に拡張できるインクリメンタルKBQA学習フレームワークを提案します。 具体的には、破滅的な忘れ問題を克服するために、マージン希釈損失と協調選択方法からなる。 包括的な実験は、進化する知識ベースに取り組む際にその効果と効率を示す。
  論文  参考訳（メタデータ） (2021-01-18T09:03:38Z)
• Explore, Discover and Learn: Unsupervised Discovery of State-Covering Skills [155.11646755470582]
  情報理論的スキル発見の代替手法として,'Explore, Discover and Learn'(EDL)がある。 本稿では,EDLがカバレッジ問題を克服し,学習スキルの初期状態への依存を減らし,ユーザが学習すべき行動について事前定義できるようにするなど,大きなメリットがあることを示す。
  論文  参考訳（メタデータ） (2020-02-10T10:49:53Z)

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。