論文の概要: A Multi-objective Evolutionary Algorithm for EEG Inverse Problem
- arxiv url: http://arxiv.org/abs/2107.10325v3
- Date: Mon, 27 Dec 2021 04:57:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 07:30:38.109815
- Title: A Multi-objective Evolutionary Algorithm for EEG Inverse Problem
- Title（参考訳）: 脳波逆問題に対する多目的進化アルゴリズム
- Authors: Jos\'e Enrique Alvarez Iglesias and Mayrim Vega-Hern\'andez and
Eduardo Mart\'inez-Montes
- Abstract要約: 本稿では,脳波逆問題に対する多目的アプローチを提案する。
この問題の特徴から、この代替案にはそれを解決するための進化戦略が含まれていた。
その結果、分散ソリューションを推定するために、MOEAAR(Anatomical Restrictions)に基づく多目的進化的アルゴリズムが得られた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, we proposed a multi-objective approach for the EEG Inverse
Problem. This formulation does not need unknown parameters that involve
empirical procedures. Due to the combinatorial characteristics of the problem,
this alternative included evolutionary strategies to resolve it. The result is
a Multi-objective Evolutionary Algorithm based on Anatomical Restrictions
(MOEAAR) to estimate distributed solutions. The comparative tests were between
this approach and 3 classic methods of regularization: LASSO, Ridge-L and
ENET-L. In the experimental phase, regression models were selected to obtain
sparse and distributed solutions. The analysis involved simulated data with
different signal-to-noise ratio (SNR). The indicators for quality control were
Localization Error, Spatial Resolution and Visibility. The MOEAAR evidenced
better stability than the classic methods in the reconstruction and
localization of the maximum activation. The norm L0 was used to estimate sparse
solutions with the evolutionary approach and its results were relevant.
- Abstract（参考訳）: 本稿では,脳波逆問題に対する多目的アプローチを提案する。
この定式化には経験的手続きを伴う未知のパラメータは必要ない。
問題の組合せ的特徴から、この代替案にはそれを解決する進化的戦略が含まれていた。
その結果、分散ソリューションを推定するための解剖学的制限(MOEAAR)に基づく多目的進化アルゴリズムが得られた。
比較テストは、LASSO、Rook-L、ENET-Lの3つの古典的な正規化手法とアプローチの中間である。
実験段階では, 分散解を得るために回帰モデルが選択された。
この分析は、異なる信号対雑音比(SNR)のシミュレーションデータを含む。
品質管理指標は局所化誤差,空間分解能,視認性であった。
MOEAARは、最大アクティベーションの再構築とローカライゼーションにおける古典的な手法よりも優れた安定性を示した。
標準L0は、進化的アプローチによるスパース解を推定するために用いられ、その結果は関連していた。
関連論文リスト
- An Inverse Modeling Constrained Multi-Objective Evolutionary Algorithm Based on Decomposition [0.0]
本稿では,分解(IM-C-MOEA/D)に基づく逆モデリング制約付き多目的進化アルゴリズムを提案する。
提案手法は多種多様な実世界の問題(RWMOP1-35)に対して実験的に評価され、最先端の制約付き多目的進化アルゴリズム(CMOEA)よりも優れた性能を示す。
論文 参考訳（メタデータ） (2024-10-24T23:24:44Z) - Comparative study of regression vs pairwise models for surrogate-based heuristic optimisation [1.2535250082638645]
本稿では, シュロゲート問題の定式化を, 適合度を近似する回帰モデル(表面シュロゲートモデル)と, 分類モデル(ペアワイズ・シュロゲートモデル)を結合する新しい方法の両方として扱う。
オンライン機械学習に基づくサロゲートモデルを用いる場合の全体探索の性能は、予測モデルの精度だけでなく、正または負のケースに対するバイアスの種類にも依存する。
論文 参考訳（メタデータ） (2024-10-04T13:19:06Z) - Analyzing and Overcoming Local Optima in Complex Multi-Objective Optimization by Decomposition-Based Evolutionary Algorithms [5.153202024713228]
多目的進化アルゴリズム(MOEAD)はしばしば局所最適に収束し、解の多様性を制限する。
本稿では,局所最適問題を克服するために,革新的なRP選択戦略であるベクトルガイドウェイトハイブリッド法を提案する。
本研究は,2014年から2022年までのMOEADsフレームワークにおける14のアルゴリズムによるアブレーションと,提案手法の有効性を従来の手法と最先端の手法の両方に対して評価するための一連の実証実験からなる。
論文 参考訳（メタデータ） (2024-04-12T14:29:45Z) - Out of the Ordinary: Spectrally Adapting Regression for Covariate Shift [12.770658031721435]
本稿では,学習前のニューラル回帰モデルの最後の層の重みを適応させて,異なる分布から得られる入力データを改善する手法を提案する。
本稿では,この軽量なスペクトル適応手法により,合成および実世界のデータセットの分布外性能が向上することを示す。
論文 参考訳（メタデータ） (2023-12-29T04:15:58Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - GEC: A Unified Framework for Interactive Decision Making in MDP, POMDP,
and Beyond [101.5329678997916]
対話型意思決定の一般的な枠組みの下で, サンプル高能率強化学習(RL)について検討した。
本稿では,探索とエクスプロイトの基本的なトレードオフを特徴付ける,新しい複雑性尺度である一般化エルダー係数(GEC)を提案する。
低 GEC の RL 問題は非常にリッチなクラスであり、これは低ベルマン楕円体次元問題、双線型クラス、低証人ランク問題、PO-双線型クラス、一般化正規PSR を仮定する。
論文 参考訳（メタデータ） (2022-11-03T16:42:40Z) - Relational Reasoning via Set Transformers: Provable Efficiency and
Applications to MARL [154.13105285663656]
置換不変エージェントフレームワークを用いたMARL(Multi-A gent R einforcement Learning)は,実世界のアプリケーションにおいて大きな実証的成功を収めた。
残念なことに、このMARL問題の理論的理解は、多くのエージェントの呪いと、既存の著作における関係推論の限定的な探索によって欠落している。
モデルフリーアルゴリズムとモデルベースアルゴリズムの最適度差は各エージェント数に独立して対数的であり、多くのエージェントの呪いを和らげる。
論文 参考訳（メタデータ） (2022-09-20T16:42:59Z) - Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。
これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
論文 参考訳（メタデータ） (2021-03-01T22:55:48Z) - Estimation of Switched Markov Polynomial NARX models [75.91002178647165]
非線形自己回帰(NARX)成分を特徴とするハイブリッド力学系のモデル群を同定する。
提案手法は, 特定の回帰器を持つ3つの非線形サブモデルからなるSMNARX問題に対して実証される。
論文 参考訳（メタデータ） (2020-09-29T15:00:47Z) - Follow the bisector: a simple method for multi-objective optimization [65.83318707752385]
複数の異なる損失を最小化しなければならない最適化問題を考える。
提案手法は、各イテレーションにおける降下方向を計算し、目的関数の相対的減少を等しく保証する。
論文 参考訳（メタデータ） (2020-07-14T09:50:33Z) - Hybrid Adaptive Evolutionary Algorithm for Multi-objective Optimization [0.0]
本稿では、MoHAEAと呼ばれるハイブリッド適応進化アルゴリズム(HAEA)の拡張として、新しい多目的アルゴリズムを提案する。
MoHAEAは、MOEA/D、pa$lambda$-MOEA/D、MOEA/D-AWA、NSGA-IIの4つの状態と比較される。
論文 参考訳（メタデータ） (2020-04-29T02:16:49Z)
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。