論文の概要: Explorative Data Analysis of Time Series based AlgorithmFeatures of CMA-ES Variants

• arxiv url: http://arxiv.org/abs/2104.08098v1
• Date: Fri, 16 Apr 2021 13:09:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-03 11:06:50.977639
• Title: Explorative Data Analysis of Time Series based AlgorithmFeatures of CMA-ES Variants
• Title（参考訳）: CMA-ES変数の時系列アルゴリズム特性の探索的データ解析
• Authors: Jacob de Nobel, Hao Wang, Thomas B\"ack
• Abstract要約: 我々は、その動的戦略パラメータの時系列特徴を抽出することにより、よく知られたCMA-ESの挙動を分析する。 一般に、より長い時系列では、時系列の特徴の予測能力が増大することがわかった。
• 参考スコア（独自算出の注目度）: 3.9430294028981763
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this study, we analyze behaviours of the well-known CMA-ES by extracting the time-series features on its dynamic strategy parameters. An extensive experiment was conducted on twelve CMA-ES variants and 24 test problems taken from the BBOB (Black-Box Optimization Bench-marking) testbed, where we used two different cutoff times to stop those variants. We utilized the tsfresh package for extracting the features and performed the feature selection procedure using the Boruta algorithm, resulting in 32 features to distinguish either CMA-ES variants or the problems. After measuring the number of predefined targets reached by those variants, we contrive to predict those measured values on each test problem using the feature. From our analysis, we saw that the features can classify the CMA-ES variants, or the function groups decently, and show a potential for predicting the performance of those variants. We conducted a hierarchical clustering analysis on the test problems and noticed a drastic change in the clustering outcome when comparing the longer cutoff time to the shorter one, indicating a huge change in search behaviour of the algorithm. In general, we found that with longer time series, the predictive power of the time series features increase.
• Abstract（参考訳）: 本研究では,その動的戦略パラメータの時系列特徴を抽出することにより,よく知られたCMA-ESの挙動を解析する。 BBOB (Black-Box Optimization Bench-marking) テストベッドから得られた12のCMA-ES変種と24の試験問題について広範囲に実験を行った。 特徴抽出にtsfreshパッケージを用い,borutaアルゴリズムを用いて特徴選択処理を行い,cma-esの変種と問題点を識別する32の機能を得た。 これらの変種が到達した目標数を測定した後、その特徴を用いて各テスト問題における測定値を予測する。 分析の結果,これらの特徴はCMA-ES変種,あるいは関数群を適切に分類することができ,それらの変種の性能を予測する可能性を示した。 テスト問題に対する階層的クラスタリング解析を行い,より長いカットオフ時間と短いクラスタリング時間を比較すると,クラスタリング結果が大きく変化していることに気付き,アルゴリズムの探索動作に大きな変化があることが示唆された。 一般に、より長い時系列では、時系列の特徴の予測力が増大することがわかった。

関連論文リスト

• HIERVAR: A Hierarchical Feature Selection Method for Time Series Analysis [22.285570102169356]
  時系列分類は、様々な領域にまたがる重要かつ複雑な課題である。 本稿では,ANOVA分散解析による新しい階層的特徴選択法を提案する。 本手法は精度を保ちながら,特徴量を94%以上削減する。
  論文  参考訳（メタデータ） (2024-07-22T20:55:13Z)
• 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)
• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• The Importance of Landscape Features for Performance Prediction of Modular CMA-ES Variants [2.3823600586675724]
  近年の研究では、教師あり機械学習手法が問題事例から抽出したランドスケープ特徴を用いてアルゴリズムの性能を予測できることが示されている。 モジュール型CMA-ESフレームワークを考察し、各ランドスケープ機能が最適なアルゴリズム性能回帰モデルにどの程度貢献するかを推定する。
  論文  参考訳（メタデータ） (2022-04-15T11:55:28Z)
• The Semantic Adjacency Criterion in Time Intervals Mining [70.13948372218849]
  SAC(Semantic Adjacency Criterion)と呼ばれる頻繁な時間パターン発見過程における新たなプルーニング制約を提案する。 我々は3つのSACバージョンを定義し、その効果を3つの医学領域で検証した。
  論文  参考訳（メタデータ） (2021-01-11T12:23:49Z)
• Bayesian Feature Selection in Joint Quantile Time Series Analysis [1.2419096638953384]
  本研究では,高次元結合量子時系列解析における特徴選択のための一般ベイズ次元削減手法を提案する。 QFSTSモデルは一般的な構造時系列モデルであり、各コンポーネントは時系列モデリングに付加的な寄与をもたらす。 QFSTSモデルは、特徴選択、パラメータ推定、予測において優れた性能を有する。
  論文  参考訳（メタデータ） (2020-10-04T18:56:34Z)
• Benchmarking Multivariate Time Series Classification Algorithms [69.12151492736524]
  時系列分類(TSC)は、順序付き、実値付き、属性から離散的なターゲット変数の予測モデルを構築することを含む。 近年,従来の技術よりも大幅に改良された新しいTSCアルゴリズムが開発されている。 本稿では, 深層学習, シェープレット, 単語の袋を用いた MTSC アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-26T15:56:40Z)
• On Multivariate Singular Spectrum Analysis and its Variants [23.517864567789353]
  本稿では,多変量特異解析 (mSSA) の変種を導入,解析する。 我々は、計算とサンプル外予測の両方に対して平均2乗誤差を1/sqrtmin(N, T )T$として効果的に設定する。 ベンチマークデータセットでは、我々のmSSAの変種は最先端のニューラルネットワーク時系列手法と競合する。
  論文  参考訳（メタデータ） (2020-06-24T03:17:01Z)
• Supervised Feature Subset Selection and Feature Ranking for Multivariate Time Series without Feature Extraction [78.84356269545157]
  MTS分類のための教師付き特徴ランキングと特徴サブセット選択アルゴリズムを導入する。 MTSの既存の教師なし特徴選択アルゴリズムとは異なり、我々の手法は時系列から一次元特徴ベクトルを生成するために特徴抽出ステップを必要としない。
  論文  参考訳（メタデータ） (2020-05-01T07:46:29Z)
• Stepwise Model Selection for Sequence Prediction via Deep Kernel Learning [100.83444258562263]
  本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。 結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。 我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
  論文  参考訳（メタデータ） (2020-01-12T09:42:19Z)

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。