論文の概要: KNN-Averaging for Noisy Multi-objective Optimisation
- arxiv url: http://arxiv.org/abs/2109.13104v1
- Date: Mon, 30 Aug 2021 04:28:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-16 18:44:36.240721
- Title: KNN-Averaging for Noisy Multi-objective Optimisation
- Title(参考訳): 雑音多目的最適化のためのKNN平均化
- Authors: Stefan Klikovits and Paolo Arcaini
- Abstract要約: サイバー物理システムでは、所定の構成に対する客観的な値は決定論的ではなく、実行毎に異なる結果を生成する。
これにより、外向きにサンプリングされた情報に基づいた最適化プロセスが実現され、最終的には、偶然に高いノイズを持つフィットネス値のソリューションが好まれる。
本研究は,各ソリューションの繰り返し実行を必要とせず,ノイズの多いフィットネス機能の効果を抑えるためのものである。
- 参考スコア(独自算出の注目度): 1.8681222155879658
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-objective optimisation is a popular approach for finding solutions to
complex problems with large search spaces that reliably yields good
optimisation results. However, with the rise of cyber-physical systems, emerges
a new challenge of noisy fitness functions, whose objective value for a given
configuration is non-deterministic, producing varying results on each
execution. This leads to an optimisation process that is based on
stochastically sampled information, ultimately favouring solutions with fitness
values that have co-incidentally high outlier noise. In turn, the results are
unfaithful due to their large discrepancies between sampled and expectable
objective values. Motivated by our work on noisy automated driving systems, we
present the results of our ongoing research to counteract the effect of noisy
fitness functions without requiring repeated executions of each solution. Our
method kNN-Avg identifies the k-nearest neighbours of a solution point and uses
the weighted average value as a surrogate for its actually sampled fitness. We
demonstrate the viability of kNN-Avg on common benchmark problems and show that
it produces comparably good solutions whose fitness values are closer to the
expected value.
- Abstract(参考訳): 多目的最適化(multi-objective optimization)は、大きな探索空間を持つ複雑な問題の解を見つけるための一般的な手法である。
しかし、サイバーフィジカルシステムの台頭とともに、特定の構成に対する客観的な値が非決定論的であり、実行毎に異なる結果を生み出す、ノイズの多いフィットネス機能の新たな挑戦が生まれている。
これにより、確率的にサンプリングされた情報に基づく最適化プロセスが実現し、最終的には、偶発的に高い外れ値のノイズを持つフィットネス値のソリューションが好まれる。
結果として、サンプル値と期待できる客観的値の相違が大きいため、結果は不利になる。
本研究は,騒音自動運転システムの研究に動機付けられ,各ソリューションの繰り返し実行を必要とせず,ノイズ適合機能の効果を抑えるための研究結果を示す。
本手法では,kNN-Avg は溶液点の k-アネレスト近傍を同定し,その重み付き平均値を実際の試料適合の代役として用いる。
我々は,共通ベンチマーク問題に対するknn-avgの有効性を実証し,適合値が期待値に近い比較可能な解を生成できることを示した。
関連論文リスト
- Switchable Decision: Dynamic Neural Generation Networks [98.61113699324429]
本稿では,各データインスタンスのリソースを動的に割り当てることで,推論を高速化するスイッチブルな決定を提案する。
提案手法は, 同一の精度を維持しながら, 推論時のコスト低減に有効である。
論文 参考訳(メタデータ) (2024-05-07T17:44:54Z) - Joint Entropy Search for Multi-objective Bayesian Optimization [0.0]
本稿では,統合エントロピー探索(Joint Entropy Search)と呼ばれるBOのための情報理論獲得関数を提案する。
本稿では, ハイパーボリュームとその重み付き変種の観点から, 合成および実世界の諸問題に対するこの新しいアプローチの有効性を示す。
論文 参考訳(メタデータ) (2022-10-06T13:19:08Z) - Bi-objective Ranking and Selection Using Stochastic Kriging [0.0]
両目的のランク付けと選択の問題について検討し,その2つの目的が不確実性をもって観測された。
そこで本研究では,競合する解に対して逐次サンプルを割り当てるバイーシアン双対象ランクと選別法を提案する。
実験結果から,提案手法は標準的なアロケーション手法よりも優れており,また,よく知られた最先端のアルゴリズムも優れていることがわかった。
論文 参考訳(メタデータ) (2022-09-05T23:51:07Z) - Uncertainty-Aware Search Framework for Multi-Objective Bayesian
Optimization [40.40632890861706]
高価な関数評価を用いたマルチオブジェクト(MO)ブラックボックス最適化の問題点を考察する。
UeMOと呼ばれる新しい不確実性対応検索フレームワークを提案し、評価のための入力シーケンスを効率的に選択する。
論文 参考訳(メタデータ) (2022-04-12T16:50:48Z) - 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) - RoMA: Robust Model Adaptation for Offline Model-based Optimization [115.02677045518692]
入力出力クエリの静的データセットからブラックボックス目的関数を最大化する入力を探索する問題を考える。
この問題を解決するための一般的なアプローチは、真の客観的関数を近似するプロキシモデルを維持することである。
ここでの大きな課題は、検索中に逆最適化された入力を避ける方法である。
論文 参考訳(メタデータ) (2021-10-27T05:37:12Z) - 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) - Global Optimization of Objective Functions Represented by ReLU Networks [77.55969359556032]
ニューラルネットワークは複雑で非敵対的な関数を学ぶことができ、安全クリティカルな文脈でそれらの正しい振る舞いを保証することは困難である。
ネットワーク内の障害を見つけるための多くのアプローチ(例えば、敵の例)があるが、これらは障害の欠如を保証できない。
本稿では,最適化プロセスを検証手順に統合し,本手法よりも優れた性能を実現する手法を提案する。
論文 参考訳(メタデータ) (2020-10-07T08:19:48Z) - Fast and stable MAP-Elites in noisy domains using deep grids [1.827510863075184]
Deep-Grid MAP-ElitesはMAP-Elitesアルゴリズムの変種である。
この単純なアプローチは、適合性最適化の観点から競争性能を達成しつつ、動作記述子のノイズに対する耐性が著しく高いことを示す。
論文 参考訳(メタデータ) (2020-06-25T08:47:23Z) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳(メタデータ) (2020-06-18T19:11:54Z)
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。