論文の概要: Quality and Computation Time in Optimization Problems
- arxiv url: http://arxiv.org/abs/2111.10595v1
- Date: Sat, 20 Nov 2021 14:09:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-25 13:46:46.458385
- Title: Quality and Computation Time in Optimization Problems
- Title(参考訳): 最適化問題における品質と計算時間
- Authors: Zhicheng He
- Abstract要約: 本稿では最適化問題における最適化アルゴリズムの品質と時間について検討する。
我々は、よく知られた最適化アルゴリズム(ベイジアン最適化と進化的アルゴリズム)を選択し、それらをベンチマークテスト関数で評価する。
その結果,BOは限定関数評価において所望の品質を得るために必要となる最適化タスクに適していることがわかった。
- 参考スコア(独自算出の注目度): 5.863264019032882
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optimization problems are crucial in artificial intelligence. Optimization
algorithms are generally used to adjust the performance of artificial
intelligence models to minimize the error of mapping inputs to outputs. Current
evaluation methods on optimization algorithms generally consider the
performance in terms of quality. However, not all optimization algorithms for
all test cases are evaluated equal from quality, the computation time should be
also considered for optimization tasks. In this paper, we investigate the
quality and computation time of optimization algorithms in optimization
problems, instead of the one-for-all evaluation of quality. We select the
well-known optimization algorithms (Bayesian optimization and evolutionary
algorithms) and evaluate them on the benchmark test functions in terms of
quality and computation time. The results show that BO is suitable to be
applied in the optimization tasks that are needed to obtain desired quality in
the limited function evaluations, and the EAs are suitable to search the
optimal of the tasks that are allowed to find the optimal solution with enough
function evaluations. This paper provides the recommendation to select suitable
optimization algorithms for optimization problems with different numbers of
function evaluations, which contributes to the efficiency that obtains the
desired quality with less computation time for optimization problems.
- Abstract(参考訳): 最適化問題は人工知能において重要である。
最適化アルゴリズムは一般的に、入力を出力にマッピングする誤差を最小限に抑えるために人工知能モデルの性能を調整するために使用される。
最適化アルゴリズムの現在の評価手法は一般に品質の観点から性能を考慮する。
しかし、全てのテストケースの最適化アルゴリズムが品質から等しく評価されるわけではないので、最適化タスクには計算時間も考慮すべきである。
本稿では,最適化問題における最適化アルゴリズムの品質と計算時間について,品質の1対1の評価に代えて検討する。
ベイジアン最適化と進化的アルゴリズム(Bayesian Optimization and Evolution Algorithm)を選択し,ベンチマークテスト関数上で品質と計算時間の観点から評価する。
その結果,boは限られた機能評価において所望の品質を得るのに必要な最適化タスクに適用に適しており,easは十分な機能評価で最適な解を求めることができるタスクの最適を探索するのに適していることがわかった。
本稿では,様々な関数評価を用いた最適化問題に対して適切な最適化アルゴリズムを選択することを推奨する。
関連論文リスト
- Localized Zeroth-Order Prompt Optimization [54.964765668688806]
そこで我々は,ZOPO(Localized zeroth-order prompt optimization)という新しいアルゴリズムを提案する。
ZOPOはニューラル・タンジェント・カーネルをベースとしたガウス法を標準ゼロ階次最適化に取り入れ、高速な局所最適探索を高速化する。
注目すべきは、ZOPOは最適化性能とクエリ効率の両方の観点から、既存のベースラインを上回っていることだ。
論文 参考訳(メタデータ) (2024-03-05T14:18:15Z) - End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳(メタデータ) (2024-02-12T16:33:35Z) - Speeding-up Evolutionary Algorithms to solve Black-Box Optimization
Problems [0.0]
集団ベースの進化的アルゴリズムは計算コストの高いブラックボックス最適化問題にアプローチする際によく考慮される。
最適化アルゴリズムの実行時に適切な近似関数コストを選択する技術を提案する。
提案手法は, 解が適切にランク付けされている場合の最小評価コストを推定し, 精度の低下を最小限に抑えながら, 同一時間でより多くの評価を計算できることを示した。
論文 参考訳(メタデータ) (2023-09-23T11:54:46Z) - Equitable and Fair Performance Evaluation of Whale Optimization
Algorithm [4.0814527055582746]
すべてのアルゴリズムは、徹底的に、幾分、知的に評価されることが不可欠である。
最適化アルゴリズムの有効性を等しく、公平に評価することは、様々な理由から簡単なプロセスではない。
論文 参考訳(メタデータ) (2023-09-04T06:32:02Z) - Accelerating Cutting-Plane Algorithms via Reinforcement Learning
Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。
多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。
そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文 参考訳(メタデータ) (2023-07-17T20:11:56Z) - Non-Convex Optimization with Certificates and Fast Rates Through Kernel
Sums of Squares [68.8204255655161]
非最適化近似問題を考える。
本稿では,最優先計算を保証するアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-04-11T09:37:04Z) - High dimensional Bayesian Optimization Algorithm for Complex System in
Time Series [1.9371782627708491]
本稿では,新しい高次元ベイズ最適化アルゴリズムを提案する。
モデルの時間依存特性や次元依存特性に基づいて,提案アルゴリズムは次元を均等に低減することができる。
最適解の最終精度を高めるために,提案アルゴリズムは,最終段階におけるアダムに基づく一連のステップに基づく局所探索を追加する。
論文 参考訳(メタデータ) (2021-08-04T21:21:17Z) - Bayesian Algorithm Execution: Estimating Computable Properties of
Black-box Functions Using Mutual Information [78.78486761923855]
多くの現実世界では、T関数の評価の予算を考えると、高価なブラックボックス関数 f の性質を推測したい。
本稿では,アルゴリズムの出力に対して相互情報を最大化するクエリを逐次選択する手法InfoBAXを提案する。
これらの問題に対してInfoBAXは、元のアルゴリズムで要求されるより500倍少ないクエリをfに使用する。
論文 参考訳(メタデータ) (2021-04-19T17:22:11Z) - Optimizing Optimizers: Regret-optimal gradient descent algorithms [9.89901717499058]
我々は,後悔最適アルゴリズムの存在,一意性,一貫性について検討する。
制御問題に対する一階最適条件を提供することにより、後悔最適アルゴリズムはそれらの力学において特定の構造を満たす必要があることを示す。
それらを近似する高速な数値法を提案し,長期的後悔を直接最適化する最適化アルゴリズムを生成する。
論文 参考訳(メタデータ) (2020-12-31T19:13:53Z) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳(メタデータ) (2020-10-15T18:09:48Z) - Benchmarking Meta-heuristic Optimization [0.0]
多くのメタヒューリスティックアルゴリズムは非線形関数を解く際に非常に効率的である。
メタヒューリスティックアルゴリズムは、幅広い問題に適用できる問題に依存しない手法である。
論文 参考訳(メタデータ) (2020-07-27T12:25:31Z)
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。