論文の概要: Characterization of Constrained Continuous Multiobjective Optimization
Problems: A Feature Space Perspective
- arxiv url: http://arxiv.org/abs/2109.04564v2
- Date: Thu, 23 Dec 2021 16:38:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-15 18:08:16.730135
- Title: Characterization of Constrained Continuous Multiobjective Optimization
Problems: A Feature Space Perspective
- Title（参考訳）: 制約付き連続多目的最適化問題のキャラクタリゼーション:特徴空間の観点から
- Authors: Aljo\v{s}a Vodopija, Tea Tu\v{s}ar, Bogdan Filipi\v{c}
- Abstract要約: 制約付き多目的最適化問題(CMOP)はいまだ不満足に理解され、特徴づけられる。
CMOPを特徴付けるために,29の景観特徴(うち19は新規)を提案する。
実世界の物理モデルに基づく実世界の問題からなる,最近提案されたテストスイートと,8つの頻繁な人工テストスイートを比較した。
- 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: Despite the increasing interest in constrained multiobjective optimization in
recent years, constrained multiobjective optimization problems (CMOPs) are
still unsatisfactory understood and characterized. For this reason, the
selection of appropriate CMOPs for benchmarking is difficult and lacks a formal
background. We address this issue by extending landscape analysis to
constrained multiobjective optimization. By employing four exploratory
landscape analysis techniques, we propose 29 landscape features (of which 19
are novel) to characterize CMOPs. These landscape features are then used to
compare eight frequently used artificial test suites against a recently
proposed suite consisting of real-world problems based on physical models. The
experimental results reveal that the artificial test problems fail to
adequately represent some realistic characteristics, such as strong negative
correlation between the objectives and constraints. Moreover, our findings show
that all the studied artificial test suites have advantages and limitations,
and that no "perfect" suite exists. Benchmark designers can use the obtained
results to select or generate appropriate CMOP instances based on the
characteristics they want to explore.
- Abstract（参考訳）: 近年、制約付き多目的最適化への関心が高まっているが、制約付き多目的最適化問題(CMOP)はいまだに不十分であり、特徴的である。
そのため、ベンチマークのための適切なCMOPの選択は困難であり、正式な背景がない。
ランドスケープ解析を制約付き多目的最適化に拡張することでこの問題に対処する。
4つの探索的景観解析手法を用いて, CMOPを特徴付ける29の景観特徴(うち19は新規)を提案する。
これらのランドスケープ機能は、8つの頻繁に使用される人工テストスイートと、物理モデルに基づく現実世界の問題からなる最近提案されたスイートを比較するために使用される。
実験の結果,目的と制約の強い負の相関など,いくつかの現実的な特徴を十分に表現できないことが明らかとなった。
さらに,研究対象の人工テストスイートには長所と限界があり,"完璧な"テストスイートは存在しないことを示した。
ベンチマーク設計者は、得られた結果を使用して、調査したい特性に基づいて、適切なcmopインスタンスを選択または生成することができる。
関連論文リスト
- Temporal True and Surrogate Fitness Landscape Analysis for Expensive Bi-Objective Optimisation [0.0]
本研究では、真の適合関数の風景と多目的関数の代理モデルの風景を比較した。
最適化中、異なる点における風景の特徴を時間的に観察することで実現している。
相違はあるものの、真実と代理的な景観の特徴は互いに高い相関関係を示している。
論文 参考訳（メタデータ） (2024-04-09T18:20:16Z) - Spurious Feature Eraser: Stabilizing Test-Time Adaptation for Vision-Language Foundation Model [86.9619638550683]
視覚言語基礎モデルは、画像とテキストのペアデータに拡張性があるため、多数の下流タスクで顕著な成功を収めている。
しかし、これらのモデルは、決定ショートカットの結果、きめ細かな画像分類などの下流タスクに適用した場合に重大な制限を呈する」。
論文 参考訳（メタデータ） (2024-03-01T09:01:53Z) - End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳（メタデータ） (2024-02-12T16:33:35Z) - Deep-ELA: Deep Exploratory Landscape Analysis with Self-Supervised Pretrained Transformers for Single- and Multi-Objective Continuous Optimization Problems [0.5461938536945723]
本研究では,ディープラーニングとERAの機能を組み合わせたハイブリッドアプローチであるDeep-ELAを提案する。
提案するフレームワークは、単目的および多目的の連続最適化問題を分析するために、最初から利用できるか、あるいは様々なタスクに微調整することができる。
論文 参考訳（メタデータ） (2024-01-02T12:41:17Z) - Characterization of Constrained Continuous Multiobjective Optimization
Problems: A Performance Space Perspective [0.0]
制約付き多目的最適化問題(CMOP)は不満足に理解されている。
ベンチマークのための適切なCMOPの選択は困難で、正式なバックグラウンドが欠如しています。
本稿では,制約付き多目的最適化のための新しい性能評価手法を提案する。
論文 参考訳（メタデータ） (2023-02-04T14:12:30Z) - A Pareto-optimal compositional energy-based model for sampling and
optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。
これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文 参考訳（メタデータ） (2022-10-19T19:04:45Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳（メタデータ） (2022-01-28T05:53:28Z) - Constrained multi-objective optimization of process design parameters in
settings with scarce data: an application to adhesive bonding [48.7576911714538]
接着プロセスに最適なプロセスパラメータを見つけることは困難である。
遺伝的アルゴリズムのような伝統的な進化的アプローチは、その問題を解決するのに不適である。
本研究では,目的関数と制約関数をエミュレートするために,特定の機械学習手法をうまく応用した。
論文 参考訳（メタデータ） (2021-12-16T10:14:39Z) - 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) - Identifying Properties of Real-World Optimisation Problems through a
Questionnaire [2.805617945875364]
本研究は, 実世界の課題の実態を質問紙で調査する。
これは将来のベンチマーク問題の設計を可能にし、現実世界で見られる問題とよりよく似ている。
論文 参考訳（メタデータ） (2020-11-11T05:09:01Z) - Scalable Constrained Bayesian Optimization [10.820024633762596]
ブラックボックス制約下での高次元ブラックボックス関数のグローバルな最適化は、機械学習、制御、科学コミュニティにおける普及的なタスクである。
本稿では,上記の課題を克服し,現状を推し進めるスケーラブルな制約付きベイズ最適化(SCBO)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-02-20T01:48:46Z)
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。