論文の概要: Surrogate-Assisted Reference Vector Adaptation to Various Pareto Front
Shapes for Many-Objective Bayesian Optimization
- arxiv url: http://arxiv.org/abs/2110.04689v1
- Date: Sun, 10 Oct 2021 03:05:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-12 20:55:52.745613
- Title: Surrogate-Assisted Reference Vector Adaptation to Various Pareto Front
Shapes for Many-Objective Bayesian Optimization
- Title（参考訳）: 多目的ベイズ最適化のためのサロゲート支援基準ベクトル適応法
- Authors: Nobuo Namura
- Abstract要約: 本稿では,高コストな多目的・多目的最適化問題を解くために,代用型参照ベクトル適応法(SRVA)を提案する。
提案アルゴリズムは他の2つのMBOアルゴリズムとベンチマーク問題に適用して比較する。
実験結果から, 対象関数がKrigingモデルにより合理的に近似された問題において, 提案アルゴリズムが他の2つより優れていることが示された。
- 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: We propose a surrogate-assisted reference vector adaptation (SRVA) method to
solve expensive multi- and many-objective optimization problems with various
Pareto front shapes. SRVA is coupled with a multi-objective Bayesian
optimization (MBO) algorithm using reference vectors for scalarization of
objective functions. The Kriging surrogate models for MBO is used to estimate
the Pareto front shape and generate adaptive reference vectors uniformly
distributed on the estimated Pareto front. We combine SRVA with expected
improvement of penalty-based boundary intersection as an infill criterion for
MBO. The proposed algorithm is compared with two other MBO algorithms by
applying them to benchmark problems with various Pareto front shapes.
Experimental results show that the proposed algorithm outperforms the other two
in the problems whose objective functions are reasonably approximated by the
Kriging models. SRVA improves diversity of non-dominated solutions for these
problems with continuous, discontinuous, and degenerated Pareto fronts.
Besides, the proposed algorithm obtains much better solutions from early stages
of optimization especially in many-objective problems.
- Abstract（参考訳）: 本研究では,多目的および多目的の最適化問題に対して,様々なパレート前面形状を用いたsrva法を提案する。
srvaは、目的関数のスカラー化に参照ベクトルを用いた多目的ベイズ最適化(mbo)アルゴリズムと結合する。
MBOのKriging surrogateモデルを用いて、パレートフロント形状を推定し、推定されたパレートフロントに均一に分布する適応参照ベクトルを生成する。
MBOの入力基準として、SRVAとペナルティベースの境界交差の改善が期待されている。
提案アルゴリズムは他の2つのMBOアルゴリズムと比較し,様々なパレート前面形状の問題をベンチマークする。
実験の結果, 対象関数がKrigingモデルにより合理的に近似された問題において, 提案アルゴリズムが他の2つよりも優れていた。
SRVAは、連続的で不連続で退化したパレートフロントを持つこれらの問題に対する非支配的な解の多様性を改善する。
さらに,提案アルゴリズムは,最適化の初期段階から,特に多目的問題において,はるかに優れた解を得ることができる。
関連論文リスト
- Self-Improvement Towards Pareto Optimality: Mitigating Preference Conflicts in Multi-Objective Alignment [74.25832963097658]
マルチオブジェクトアライメント(MOA)は、応答を複数の人間の嗜好目標に合わせることを目的としている。
DPOをベースとしたMOAアプローチは、データに広範囲にわたる優先的対立に悩まされている。
論文 参考訳（メタデータ） (2025-02-20T08:27:00Z) - UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [75.11267478778295]
マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。
重みベクトル w でパラメータ化される線型効用関数の場合に焦点を当てる。
学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
論文 参考訳（メタデータ） (2024-05-01T09:34:42Z) - Differentially Private Optimization with Sparse Gradients [60.853074897282625]
微分プライベート(DP)最適化問題を個人勾配の空間性の下で検討する。
これに基づいて、スパース勾配の凸最適化にほぼ最適な速度で純粋および近似DPアルゴリズムを得る。
論文 参考訳（メタデータ） (2024-04-16T20:01:10Z) - Combining Kernelized Autoencoding and Centroid Prediction for Dynamic
Multi-objective Optimization [3.431120541553662]
本稿では,カーネル化された自己コード進化探索と遠近法に基づく予測を組み合わせた統一パラダイムを提案する。
提案手法は,多くの複雑なベンチマーク問題に対して,最先端の5つのアルゴリズムと比較する。
論文 参考訳（メタデータ） (2023-12-02T00:24:22Z) - Late Fusion Multi-view Clustering via Global and Local Alignment
Maximization [61.89218392703043]
マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。
既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。
これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
論文 参考訳（メタデータ） (2022-08-02T01:49:31Z) - A novel multiobjective evolutionary algorithm based on decomposition and
multi-reference points strategy [14.102326122777475]
分解に基づく多目的進化アルゴリズム(MOEA/D)は、多目的最適化問題(MOP)を解く上で、極めて有望なアプローチであると考えられている。
本稿では,よく知られたPascoletti-Serafiniスキャラライゼーション法とマルチ参照ポイントの新たな戦略により,MOEA/Dアルゴリズムの改良を提案する。
論文 参考訳（メタデータ） (2021-10-27T02:07:08Z) - Batched Data-Driven Evolutionary Multi-Objective Optimization Based on
Manifold Interpolation [6.560512252982714]
バッチ化されたデータ駆動型進化的多目的最適化を実現するためのフレームワークを提案する。
オフザシェルフ進化的多目的最適化アルゴリズムがプラグイン方式で適用できるのは、非常に一般的である。
提案するフレームワークは, より高速な収束と各種PF形状に対する強いレジリエンスを特徴とする。
論文 参考訳（メタデータ） (2021-09-12T23:54:26Z) - Adaptive Sampling of Pareto Frontiers with Binary Constraints Using
Regression and Classification [0.0]
本稿では,二項制約を持つブラックボックス多目的最適化問題に対する適応最適化アルゴリズムを提案する。
本手法は確率的回帰モデルと分類モデルに基づいており,最適化目標のサロゲートとして機能する。
また,予想される超体積計算を高速化するために,新しい楕円形トランケーション法を提案する。
論文 参考訳（メタデータ） (2020-08-27T09:15:02Z) - 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) - Convergence of adaptive algorithms for weakly convex constrained
optimization [59.36386973876765]
モローエンベロープの勾配のノルムに対して$mathcaltilde O(t-1/4)$収束率を証明する。
我々の分析では、最小バッチサイズが1ドル、定数が1位と2位のモーメントパラメータが1ドル、そしておそらくスムーズな最適化ドメインで機能する。
論文 参考訳（メタデータ） (2020-06-11T17:43:19Z) - Decomposition in Decision and Objective Space for Multi-Modal
Multi-Objective Optimization [15.681236469530397]
多モード多目的最適化問題(MMMOP)はパレート最適集合内に複数の部分集合を持つ。
一般的な多目的進化的アルゴリズムは、複数の解部分集合を探索するために純粋に設計されていないが、MMMOP向けに設計されたアルゴリズムは、目的空間における劣化した性能を示す。
これは、MMMOPに対処するためのより良いアルゴリズムの設計を動機付けている。
論文 参考訳（メタデータ） (2020-06-04T03:18:47Z)
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。