論文の概要: Surrogate-Assisted Genetic Algorithm for Wrapper Feature Selection
- arxiv url: http://arxiv.org/abs/2111.09074v1
- Date: Wed, 17 Nov 2021 12:33:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-18 15:20:23.515953
- Title: Surrogate-Assisted Genetic Algorithm for Wrapper Feature Selection
- Title（参考訳）: ラッパー特徴選択のためのサロゲート支援遺伝的アルゴリズム
- Authors: Mohammed Ghaith Altarabichi, S{\l}awomir Nowaczyk, Sepideh Pashami and
Peyman Sheikholharam Mashhad
- Abstract要約: 複数レベルの近似やサロゲートを利用する新しい多段階特徴選択フレームワークを提案する。
実験の結果, SAGAはラッパーGAの3倍の速度で, ほぼ最適解に到達できることがわかった。
- 参考スコア（独自算出の注目度）: 4.89253144446913
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Feature selection is an intractable problem, therefore practical algorithms
often trade off the solution accuracy against the computation time. In this
paper, we propose a novel multi-stage feature selection framework utilizing
multiple levels of approximations, or surrogates. Such a framework allows for
using wrapper approaches in a much more computationally efficient way,
significantly increasing the quality of feature selection solutions achievable,
especially on large datasets. We design and evaluate a Surrogate-Assisted
Genetic Algorithm (SAGA) which utilizes this concept to guide the evolutionary
search during the early phase of exploration. SAGA only switches to evaluating
the original function at the final exploitation phase.
We prove that the run-time upper bound of SAGA surrogate-assisted stage is at
worse equal to the wrapper GA, and it scales better for induction algorithms of
high order of complexity in number of instances. We demonstrate, using 14
datasets from the UCI ML repository, that in practice SAGA significantly
reduces the computation time compared to a baseline wrapper Genetic Algorithm
(GA), while converging to solutions of significantly higher accuracy. Our
experiments show that SAGA can arrive at near-optimal solutions three times
faster than a wrapper GA, on average. We also showcase the importance of
evolution control approach designed to prevent surrogates from misleading the
evolutionary search towards false optima.
- Abstract（参考訳）: 特徴の選択は難解な問題であるため、実用的なアルゴリズムはしばしば解の精度を計算時間と切り離す。
本稿では,複数レベルの近似やサロゲートを利用する新しい多段階特徴選択フレームワークを提案する。
このようなフレームワークにより、より計算的に効率的にラッパーアプローチを使用でき、特に大規模なデータセットにおいて実現可能な特徴選択ソリューションの品質を大幅に向上させることができる。
本研究では,この概念を用いて探索初期における進化探索を導くサロゲート支援遺伝的アルゴリズム(SAGA)の設計と評価を行う。
SAGAは、最終エクスプロイトフェーズにおける元の関数の評価にのみ切り替える。
我々は,sagaサロゲート支援ステージのランタイム上限がラッパーgaと同等ではないことを証明し,インスタンス数で複雑度の高い誘導アルゴリズムをスケールする。
UCI MLレポジトリの14のデータセットを用いて,SAGAはベースラインラッパー遺伝的アルゴリズム(GA)と比較して計算時間を著しく短縮する一方で,精度の高い解に収束することを示した。
実験の結果, SAGAはラッパーGAの3倍の速度で, ほぼ最適解に到達できることがわかった。
また,サーロゲートが偽視への進化的探索を誤解することを防ぐために設計された進化制御アプローチの重要性も示す。
関連論文リスト
- Fast Genetic Algorithm for feature selection -- A qualitative approximation approach [5.279268784803583]
本稿では,遺伝的アルゴリズム(GA)を特徴選択に用いることによって生じる計算問題に対処するための,2段階の代理支援進化的アプローチを提案する。
我々はCHCQXがより高速に収束し、特に100K以上のインスタンスを持つ大規模データセットにおいて、非常に高い精度でサブセットソリューションを特徴付けることを示した。
論文 参考訳（メタデータ） (2024-04-05T10:15:24Z) - GE-AdvGAN: Improving the transferability of adversarial samples by
gradient editing-based adversarial generative model [69.71629949747884]
GAN(Generative Adversarial Networks)のような逆生成モデルは、様々な種類のデータを生成するために広く応用されている。
本研究では, GE-AdvGAN という新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-01-11T16:43:16Z) - Genetic Engineering Algorithm (GEA): An Efficient Metaheuristic
Algorithm for Solving Combinatorial Optimization Problems [1.8434042562191815]
遺伝的アルゴリズム(GA)は最適化問題の解法における効率性で知られている。
本稿では遺伝子工学の概念からインスピレーションを得るため,遺伝子工学アルゴリズム(GEA)と呼ばれる新しいメタヒューリスティックアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-28T13:05:30Z) - The FAIRy Tale of Genetic Algorithms [1.0957528713294875]
Findable、Accessible、Interoperable、Reusable(FAIR)のデータ原則を拡張して、アルゴリズムの遺伝的および再使用を可能にしました。
我々は,GAの方法論的展開と変種について概説し,適切なソースの再現や発見を困難にしている。
この作業は、多数の機械学習アルゴリズム/メソッドに拡張することができる。
論文 参考訳（メタデータ） (2023-04-29T11:36:09Z) - Massively Parallel Genetic Optimization through Asynchronous Propagation
of Populations [50.591267188664666]
Propulateは、グローバル最適化のための進化的最適化アルゴリズムとソフトウェアパッケージである。
提案アルゴリズムは, 選択, 突然変異, 交叉, 移動の変種を特徴とする。
Propulateは解の精度を犠牲にすることなく、最大で3桁高速であることがわかった。
論文 参考訳（メタデータ） (2023-01-20T18:17:34Z) - Exploring the effectiveness of surrogate-assisted evolutionary
algorithms on the batch processing problem [0.0]
本稿では,文献におけるよく知られたバッチ処理問題のシミュレーションを紹介する。
遺伝的アルゴリズム(GA)や微分進化(DE)といった進化的アルゴリズムを用いてシミュレーションの最適なスケジュールを見つける。
次に、サロゲート支援されたアルゴリズムによって得られる解の質を、ベースラインアルゴリズムと比較する。
論文 参考訳（メタデータ） (2022-10-31T09:00:39Z) - Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。
SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。
本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。
ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
論文 参考訳（メタデータ） (2021-09-13T18:10:52Z) - AdaLead: A simple and robust adaptive greedy search algorithm for
sequence design [55.41644538483948]
我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。
AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
論文 参考訳（メタデータ） (2020-10-05T16:40:38Z) - Adaptive Sampling for Best Policy Identification in Markov Decision
Processes [79.4957965474334]
本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。
最先端アルゴリズムの利点を論じ、解説する。
論文 参考訳（メタデータ） (2020-09-28T15:22:24Z) - Balancing Rates and Variance via Adaptive Batch-Size for Stochastic
Optimization Problems [120.21685755278509]
本研究は,ステップサイズの減衰が正確な収束に必要であるという事実と,一定のステップサイズがエラーまでの時間でより速く学習するという事実のバランスをとることを目的とする。
ステップサイズのミニバッチを最初から修正するのではなく,パラメータを適応的に進化させることを提案する。
論文 参考訳（メタデータ） (2020-07-02T16:02:02Z) - Devolutionary genetic algorithms with application to the minimum
labeling Steiner tree problem [0.0]
本稿では、進化的遺伝的アルゴリズムを特徴付けるとともに、最小ラベル付けスタイナーツリー(MLST)問題を解く際の性能を評価する。
我々は、進化的アルゴリズムを、時間とともに超最適で実現不可能な解の集団を進化させることによって実現可能な解に到達する過程として定義する。
我々は, 交叉, 突然変異, 適合性などの古典的進化的概念が, 最適解, 最適解に到達するためにどのように適応できるかを示す。
論文 参考訳（メタデータ） (2020-04-18T13:27:28Z)
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。