論文の概要: Evolutionary Optimization of High-Coverage Budgeted Classifiers

• arxiv url: http://arxiv.org/abs/2110.13067v1
• Date: Mon, 25 Oct 2021 16:03:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-26 18:22:52.275932
• Title: Evolutionary Optimization of High-Coverage Budgeted Classifiers
• Title（参考訳）: 高次予算分類器の進化的最適化
• Authors: Nolan H. Hamilton and Errin W. Fulp
• Abstract要約: 予算付き多機能分類器(MSC)プロセスは、部分的特徴取得および評価ステップのシーケンスを通じて入力される。 本稿では,不確定な予測のための端末拒否オプションを組み込んだ問題固有MSCを提案する。 アルゴリズムの設計は、一意化による集約性能の概念を尊重しながら効率を重視している。
• 参考スコア（独自算出の注目度）: 1.7767466724342065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classifiers are often utilized in time-constrained settings where labels must be assigned to inputs quickly. To address these scenarios, budgeted multi-stage classifiers (MSC) process inputs through a sequence of partial feature acquisition and evaluation steps with early-exit options until a confident prediction can be made. This allows for fast evaluation that can prevent expensive, unnecessary feature acquisition in time-critical instances. However, performance of MSCs is highly sensitive to several design aspects -- making optimization of these systems an important but difficult problem. To approximate an initially intractable combinatorial problem, current approaches to MSC configuration rely on well-behaved surrogate loss functions accounting for two primary objectives (processing cost, error). These approaches have proven useful in many scenarios but are limited by analytic constraints (convexity, smoothness, etc.) and do not manage additional performance objectives. Notably, such methods do not explicitly account for an important aspect of real-time detection systems -- the ratio of "accepted" predictions satisfying some confidence criterion imposed by a risk-averse monitor. This paper proposes a problem-specific genetic algorithm, EMSCO, that incorporates a terminal reject option for indecisive predictions and treats MSC design as an evolutionary optimization problem with distinct objectives (accuracy, cost, coverage). The algorithm's design emphasizes Pareto efficiency while respecting a notion of aggregated performance via a unique scalarization. Experiments are conducted to demonstrate EMSCO's ability to find global optima in a variety of Theta(k^n) solution spaces, and multiple experiments show EMSCO is competitive with alternative budgeted approaches.
• Abstract（参考訳）: 分類器は、ラベルをすばやく入力に割り当てなければならない時間制限の設定でしばしば使用される。 これらのシナリオに対処するため、予算付き多段階分類器 (MSC) プロセス入力は、確実な予測ができるまで、部分的な特徴取得と早期終了オプションによる評価ステップを経る。 これにより、時間クリティカルなインスタンスで高価な不要な機能取得を防止することができる。 しかし、MSCの性能はいくつかの設計面に非常に敏感であり、これらのシステムの最適化は重要だが難しい問題である。 初期の難解な組合せ問題を近似するために、MSCの構成への現在のアプローチは、2つの主要な目的(処理コスト、エラー)を考慮に入れた十分なサロゲート損失関数に依存している。 これらのアプローチは多くのシナリオで有用であることが証明されているが、分析的な制約(凸性、滑らか性など)によって制限され、追加のパフォーマンス目標を管理することはない。 特に、このような手法は、リアルタイム検知システムにおいて重要な側面を明示的に説明していない -- リスク回避モニターによって課される信頼基準を満たす「受け入れ」予測の比率。 本稿では,不確定な予測のための端末拒否オプションを組み込んだ問題固有遺伝的アルゴリズムEMSCOを提案し,MSC設計を異なる目的(精度,コスト,カバレッジ)を持つ進化的最適化問題として扱う。 このアルゴリズムの設計は、一意なスカラー化による集約性能の概念を尊重しながら、パレート効率を強調している。 EMSCO が様々な Theta(k^n) の解空間でグローバルな最適性を見つける能力を示す実験が行われ、複数の実験により、EMSCO は代替予算のアプローチと競合することを示した。

関連論文リスト

• An Efficient Approach for Solving Expensive Constrained Multiobjective Optimization Problems [0.0]
  効率的な確率的選択に基づく制約付き多目的EAをPSCMOEAと呼ぶ。 a) 評価された解の実現可能性と収束状態に基づく適応探索境界同定スキームのような新しい要素を含む。 ECMOPを模擬する低評価予算を用いて, 幅広い制約付き問題に対して, 数値実験を行った。
  論文  参考訳（メタデータ） (2024-05-22T02:32:58Z)
• Federated Conditional Stochastic Optimization [110.513884892319]
  条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。 本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-04T01:47:37Z)
• Bayesian Quality-Diversity approaches for constrained optimization problems with mixed continuous, discrete and categorical variables [0.3626013617212667]
  シミュレーション予算の制限という観点から,混合変数に基づく新しい品質多様性手法を提案する。 提案手法は、複雑なシステム設計のための意思決定者にとって貴重なトレードオフを提供する。
  論文  参考訳（メタデータ） (2023-09-11T14:29:47Z)
• Budgeted Classification with Rejection: An Evolutionary Method with Multiple Objectives [0.0]
  予算付きシーケンシャル分類器(BSC)プロセスは、部分的特徴取得と評価ステップのシーケンスを通じて入力を行う。 これにより、不要な特徴取得を防止するための入力の効率的な評価が可能になる。 本稿では,信頼度に基づく拒否オプション付き逐次分類器を構築するための問題固有遺伝的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-01T22:05:16Z)
• 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)
• Efficient and Differentiable Conformal Prediction with General Function Classes [96.74055810115456]
  本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。 本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。 実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
  論文  参考訳（メタデータ） (2022-02-22T18:37:23Z)
• Outlier-Robust Sparse Estimation via Non-Convex Optimization [73.18654719887205]
  空間的制約が存在する場合の高次元統計量と非破壊的最適化の関連について検討する。 これらの問題に対する新規で簡単な最適化法を開発した。 結論として、効率よくステーションに収束する一階法は、これらのタスクに対して効率的なアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2021-09-23T17:38:24Z)
• Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
  高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。 我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。 また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
  論文  参考訳（メタデータ） (2021-07-02T16:21:52Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• Early Classification of Time Series. Cost-based Optimization Criterion and Algorithms [0.0]
  本稿では,誤分類のコストと決定を遅らせるコストの両方を考慮して,新たな最適化基準を提案する。 我々は、待ち時間とバランスを取りながら、将来期待される情報獲得を予想する非ミオピックアルゴリズムのファミリーを考案した。
  論文  参考訳（メタデータ） (2020-05-20T10:08:30Z)
• Second-Order Guarantees in Centralized, Federated and Decentralized Nonconvex Optimization [64.26238893241322]
  単純なアルゴリズムは、多くの文脈において優れた経験的結果をもたらすことが示されている。 いくつかの研究は、非最適化問題を研究するための厳密な分析的正当化を追求している。 これらの分析における重要な洞察は、摂動が局所的な降下アルゴリズムを許容する上で重要な役割を担っていることである。
  論文  参考訳（メタデータ） (2020-03-31T16:54:22Z)

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。