Fugu-MT 論文翻訳(概要): A Complementarity Analysis of the COCO Benchmark Problems and Artificially Generated Problems

論文の概要: A Complementarity Analysis of the COCO Benchmark Problems and Artificially Generated Problems

arxiv url: http://arxiv.org/abs/2104.13060v1
Date: Tue, 27 Apr 2021 09:18:43 GMT
ステータス: 処理完了
システム内更新日: 2023-04-02 06:58:19.214556
Title: A Complementarity Analysis of the COCO Benchmark Problems and Artificially Generated Problems
Title（参考訳）: COCOベンチマーク問題と人工的発生問題の相補性解析
Authors: Urban \v{S}kvorc, Tome Eftimov, Peter Koro\v{s}ec
Abstract要約: 本稿では,このような単目的連続問題生成手法をCOCOベンチマーク問題セットと比較検討する。このような表現により、可視化と相関解析技術を適用して、問題間の関係をさらに探求できることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: When designing a benchmark problem set, it is important to create a set of benchmark problems that are a good generalization of the set of all possible problems. One possible way of easing this difficult task is by using artificially generated problems. In this paper, one such single-objective continuous problem generation approach is analyzed and compared with the COCO benchmark problem set, a well know problem set for benchmarking numerical optimization algorithms. Using Exploratory Landscape Analysis and Singular Value Decomposition, we show that such representations allow us to further explore the relations between the problems by applying visualization and correlation analysis techniques, with the goal of decreasing the bias in benchmark problem assessment.
Abstract（参考訳）: ベンチマーク問題集合を設計する際には、可能なすべての問題の集合のよい一般化であるベンチマーク問題の集合を作成することが重要である。この困難なタスクを緩和する方法の1つは、人工的に生成された問題を使用することである。本稿では,このような単目的連続問題生成手法を解析し,数値最適化アルゴリズムのベンチマーク問題であるcocoベンチマーク問題集合と比較する。探索的ランドスケープ解析と特異値分解を用いることで,ベンチマーク問題評価におけるバイアス低減を目標として,可視化と相関分析手法を適用し,問題間の関係をさらに探究できることを示す。

関連論文リスト

Error Feedback under $(L_0,L_1)$-Smoothness: Normalization and Momentum [56.37522020675243]
機械学習の幅広い問題にまたがる正規化誤差フィードバックアルゴリズムに対する収束の最初の証明を提供する。提案手法では,許容可能なステップサイズが大きくなったため,新しい正規化エラーフィードバックアルゴリズムは,各種タスクにおける非正規化エラーよりも優れていた。
論文参考訳（メタデータ） (2024-10-22T10:19:27Z)
Absolute Ranking: An Essential Normalization for Benchmarking Optimization Algorithms [0.0]
多くの問題における最適化アルゴリズムの性能評価は,数値スケールの多様性が原因で複雑な問題となる。本稿では,この問題を広範囲に検討し,根本原因の根本原因を徹底的に解析する上で説得力のある事例を提示する。本研究では,「絶対ランク付け」と呼ばれる新しい数学的モデルとサンプリングに基づく計算手法を提案する。
論文参考訳（メタデータ） (2024-09-06T00:55:03Z)
A Scalable Test Problem Generator for Sequential Transfer Optimization [32.171233314036286]
シーケンシャルトランスファー最適化(STO)は、データベースに格納された事前解決された最適化タスクを活用することにより、関心のあるタスクにおける最適化性能を改善することを目的としている。既存のテスト問題は、単に他のベンチマーク関数を組み立てることによって生成されるか、あるいはスケーラビリティに制限のある特定の実践的な問題から拡張される。本研究ではまず,STO問題を特徴付ける4つの概念を紹介する。
論文参考訳（メタデータ） (2023-04-17T06:48:07Z)
Continuous-time Analysis for Variational Inequalities: An Overview and Desiderata [87.77379512999818]
広義のVI問題クラスを対象とする手法の分析と設計における連続時間視点の利用の最近の進歩について概説する。本発表では, 単目的問題と多目的問題とを対比し, 後者の課題を浮き彫りにした。また、一般の VI に適用可能なアルゴリズムに対して様々なデシダラタを定式化し、これらのデシダラタを達成することは関連する連続時間力学の理解から利益を得る可能性があると論じる。
論文参考訳（メタデータ） (2022-07-14T17:58:02Z)
Multi-task Learning of Order-Consistent Causal Graphs [59.9575145128345]
我々は、$K関連ガウス非巡回グラフ(DAG)の発見問題を考える。マルチタスク学習環境下では, 線形構造方程式モデルを学習するためのMLE ($l_1/l$-regularized maximum chance estimator) を提案する。理論的には、関係するタスクにまたがるデータを活用することで、因果順序を復元する際のサンプルの複雑さをより高めることができることを示す。
論文参考訳（メタデータ） (2021-11-03T22:10:18Z)
Generalization of Neural Combinatorial Solvers Through the Lens of Adversarial Robustness [68.97830259849086]
ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
論文参考訳（メタデータ） (2021-10-21T07:28:11Z)
On the Difficulty of Generalizing Reinforcement Learning Framework for Combinatorial Optimization [6.935838847004389]
現実の応用とグラフ上の組合せ最適化問題(COP)は、コンピュータサイエンスにおける標準的な課題である。このアプローチの基本原理は、ノードのローカル情報とグラフ構造化データの両方を符号化するグラフニューラルネットワーク(GNN)をデプロイすることである。我々は,クラウド上のセキュリティ対応電話機のクローン割り当てを古典的二次代入問題 (QAP) として,深層RLモデルが他の難題の解法に一般的に適用可能であるか否かを調査する。
論文参考訳（メタデータ） (2021-08-08T19:12:04Z)
USCO-Solver: Solving Undetermined Stochastic Combinatorial Optimization Problems [9.015720257837575]
入力-解対のサンプルから高品質な最適化解を推定することを目的として,空間間の回帰を考察する。基礎学習にはPAC-Bayesianフレームワークを用いて学習エラー分析を行う。我々は,合成データセットと実世界のデータセットの両方において,古典的な問題に対する高い励振実験結果を得た。
論文参考訳（メタデータ） (2021-07-15T17:59:08Z)
Runtime Analysis of RLS and the (1+1) EA for the Chance-constrained Knapsack Problem with Correlated Uniform Weights [15.402666674186936]
本研究では,ランダム化探索アルゴリズム (RSA) と基本進化アルゴリズム (EA) のランタイム解析を行った。本稿では,重み相関と異なる種類の利益プロファイルが,確率制約条件下での両アルゴリズムの実行動作にどのように影響するかを示す。
論文参考訳（メタデータ） (2021-02-10T23:40:01Z)
Total Deep Variation: A Stable Regularizer for Inverse Problems [71.90933869570914]
本稿では,データ駆動型汎用全深度変動正規化器について紹介する。コアでは、畳み込みニューラルネットワークが複数のスケールや連続したブロックで局所的な特徴を抽出する。我々は多数の画像処理タスクに対して最先端の結果を得る。
論文参考訳（メタデータ） (2020-06-15T21:54:15Z)
Total Deep Variation for Linear Inverse Problems [71.90933869570914]
本稿では,近年のアーキテクチャ設計パターンを深層学習から活用する,学習可能な汎用正規化手法を提案する。本稿では,古典的画像復元と医用画像再構成問題に対する最先端の性能について述べる。
論文参考訳（メタデータ） (2020-01-14T19:01:50Z)

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。