論文の概要: IOHexperimenter: Benchmarking Platform for Iterative Optimization Heuristics

• arxiv url: http://arxiv.org/abs/2111.04077v2
• Date: Sun, 17 Apr 2022 20:11:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-08 22:35:01.005752
• Title: IOHexperimenter: Benchmarking Platform for Iterative Optimization Heuristics
• Title（参考訳）: IOHexperimenter: 反復最適化ヒューリスティックのためのベンチマークプラットフォーム
• Authors: Jacob de Nobel, Furong Ye, Diederick Vermetten, Hao Wang, Carola Doerr, Thomas B\"ack
• Abstract要約: IOHexperimenterは、反復最適化をベンチマークするための、使いやすく、高度にカスタマイズ可能なツールボックスを提供することを目標としている。 IOHexperimenterはスタンドアロンのツールとして、あるいはIOHanalyzerのようなIOHknownrの他のコンポーネントを使用するベンチマークパイプラインの一部として使用することができる。
• 参考スコア（独自算出の注目度）: 3.6980928405935813
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present IOHexperimenter, the experimentation module of the IOHprofiler project, which aims at providing an easy-to-use and highly customizable toolbox for benchmarking iterative optimization heuristics such as local search, evolutionary and genetic algorithms, Bayesian optimization techniques, etc. IOHexperimenter can be used as a stand-alone tool or as part of a benchmarking pipeline that uses other components of IOHprofiler such as IOHanalyzer, the module for interactive performance analysis and visualization. IOHexperimenter provides an efficient interface between optimization problems and their solvers while allowing for granular logging of the optimization process. These logs are fully compatible with existing tools for interactive data analysis, which significantly speeds up the deployment of a benchmarking pipeline. The main components of IOHexperimenter are the environment to build customized problem suites and the various logging options that allow users to steer the granularity of the data records.
• Abstract（参考訳）: 提案するIOHexperimenterは,局所探索や進化的遺伝的アルゴリズム,ベイズ最適化技術などの反復的最適化ヒューリスティックをベンチマークするための,使い易くカスタマイズ可能なツールボックスを提供する。 IOHexperimenterはスタンドアロンツールや、インタラクティブなパフォーマンス分析と視覚化のためのモジュールであるIOHanalyzerなどのIOHknownrの他のコンポーネントを使用するベンチマークパイプラインの一部として使用できる。 iohexperimenterは最適化問題とその解法の間の効率的なインターフェースを提供し、最適化プロセスの粒度のロギングを可能にする。 これらのログは、インタラクティブなデータ分析のための既存のツールと完全に互換性があり、ベンチマークパイプラインのデプロイを大幅にスピードアップする。 IOHexperimenterの主なコンポーネントは、カスタマイズされた問題スイートを構築する環境と、ユーザがデータレコードの粒度をコントロールできるさまざまなロギングオプションである。

関連論文リスト

• Self-Augmented Preference Optimization: Off-Policy Paradigms for Language Model Alignment [104.18002641195442]
  既存のペアデータを必要としない、効果的でスケーラブルなトレーニングパラダイムである自己拡張型優先度最適化(SAPO)を導入する。 負の反応を自律的に生成するセルフプレイの概念に基づいて、我々はさらに、データ探索とエクスプロイトを強化するために、非政治的な学習パイプラインを組み込む。
  論文  参考訳（メタデータ） (2024-05-31T14:21:04Z)
• Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
  PropEnは'matching'にインスパイアされている。 一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
  論文  参考訳（メタデータ） (2024-05-28T11:30:19Z)
• Enhanced Bayesian Optimization via Preferential Modeling of Abstract Properties [49.351577714596544]
  本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。 優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
  論文  参考訳（メタデータ） (2024-02-27T09:23:13Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Energy-efficient Task Adaptation for NLP Edge Inference Leveraging Heterogeneous Memory Architectures [68.91874045918112]
  Adapter-ALBERTは、様々なタスクにわたる最大データ再利用のための効率的なモデル最適化である。 検証されたNLPエッジアクセラレータ上でシミュレーションを行うことにより、モデルを不均一なオンチップメモリアーキテクチャにマッピングする利点を実証する。
  論文  参考訳（メタデータ） (2023-03-25T14:40:59Z)
• OPTION: OPTImization Algorithm Benchmarking ONtology [4.060078409841919]
  OPTION(OPTImization algorithm benchmarking ONtology)は、ベンチマークプラットフォーム用のセマンティックにリッチでマシン可読なデータモデルである。 私たちのオントロジーは、ベンチマークプロセスに関わるコアエンティティのセマンティックアノテーションに必要な語彙を提供します。 また、自動データ統合、相互運用性の改善、強力なクエリ機能を提供する。
  論文  参考訳（メタデータ） (2022-11-21T10:34:43Z)
• Deep Visual Geo-localization Benchmark [42.675402470265674]
  我々は、ビジュアルジオローカライゼーション(VG)のための新しいオープンソースのベンチマークフレームワークを提案する。 このフレームワークは、広く使用されている幅広いアーキテクチャの構築、トレーニング、テストを可能にする。 コードとトレーニングされたモデルはhttps://deep-vg-bench.herokuapp.com/で公開されている。
  論文  参考訳（メタデータ） (2022-04-07T13:47:49Z)
• Extensible Logging and Empirical Attainment Function for IOHexperimenter [0.0]
  IOHexperimenterは、大量の合成問題、ロギングシステム、高速な実装を提供する。 我々は,アルゴリズムのパフォーマンス指標をベンチマークで計算することを目的とした,新しいロガーを実装した。 経験的達成関数とその離散的特徴である経験的達成ヒストグラムに関する共通の統計を提供する。
  論文  参考訳（メタデータ） (2021-09-28T14:52:52Z)
• Automated Evolutionary Approach for the Design of Composite Machine Learning Pipelines [48.7576911714538]
  提案手法は、複合機械学習パイプラインの設計を自動化することを目的としている。 パイプラインをカスタマイズ可能なグラフベースの構造で設計し、得られた結果を分析して再生する。 このアプローチのソフトウェア実装は、オープンソースフレームワークとして紹介されている。
  論文  参考訳（メタデータ） (2021-06-26T23:19:06Z)
• IOHanalyzer: Detailed Performance Analyses for Iterative Optimization Heuristics [3.967483941966979]
  IOHanalyzerは、IOHのパフォーマンスデータを分析、比較、視覚化するための新しいユーザフレンドリーなツールである。 IOHanalyzerは、固定目標実行時間とベンチマークアルゴリズムの固定予算性能に関する詳細な統計を提供する。 IOHanalyzerは、主要なベンチマークプラットフォームから直接パフォーマンスデータを処理できる。
  論文  参考訳（メタデータ） (2020-07-08T08:20:19Z)

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。