論文の概要: Evolutionary Multitask Optimization: Fundamental Research Questions,
Practices, and Directions for the Future
- arxiv url: http://arxiv.org/abs/2111.14463v3
- Date: Fri, 11 Nov 2022 09:40:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-06 09:53:31.060989
- Title: Evolutionary Multitask Optimization: Fundamental Research Questions,
Practices, and Directions for the Future
- Title(参考訳): 進化的マルチタスク最適化 : 今後の研究課題, 実践, 方向性
- Authors: Eneko Osaba, Javier Del Ser and Ponnuthurai N. Suganthan
- Abstract要約: このコミュニケーションは、読者がこれらの問題を振り返り、なぜ未解決のままなのかを合理的に示すことを目的としている。
具体的には,進化的マルチタスク最適化の3つの重要な点を強調する。
本研究の結果,この将来性のある分野を正しい軌道で維持するためには,コミュニティが重要な取り組みを行う必要があると結論付けている。
- 参考スコア(独自算出の注目度): 10.330156481082698
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Transfer Optimization has gained a remarkable attention from the Swarm and
Evolutionary Computation community in the recent years. It is undeniable that
the concepts underlying Transfer Optimization are formulated on solid grounds.
However, evidences observed in recent contributions confirm that there are
critical aspects that are not properly addressed to date. This short
communication aims to engage the readership around a reflection on these
issues, and to provide rationale why they remain unsolved. Specifically, we
emphasize on three critical points of Evolutionary Multitasking Optimization:
i) the plausibility and practical applicability of this paradigm; ii) the
novelty of some proposed multitasking methods; and iii) the methodologies used
for evaluating newly proposed multitasking algorithms. As a result of this
research, we conclude that some important efforts should be directed by the
community in order to keep the future of this promising field on the right
track. Our ultimate purpose is to unveil gaps in the current literature, so
that prospective works can attempt to fix these gaps, avoiding to stumble on
the same stones and eventually achieve valuable advances in the area.
- Abstract(参考訳): 転送最適化は近年,Swarm and Evolutionary Computationコミュニティから注目されている。
転送最適化の基礎となる概念が固い根拠で定式化されていることは否定できない。
しかし、近年のコントリビューションで確認された証拠は、現在までに適切に対処されていない重要な側面があることを裏付けている。
この短いコミュニケーションは、読者がこれらの問題を振り返り、なぜ未解決のままなのかを合理的に示すことを目的としている。
具体的には,進化的マルチタスク最適化の3つの重要な点を強調する。
一 このパラダイムの妥当性及び実用性
二 提案された複数のマルチタスク方法の新規性、及び
三 新しく提案されたマルチタスクアルゴリズムを評価するための方法
本研究の結果,この将来性のある分野を正しい軌道で維持するためには,コミュニティが重要な取り組みを行う必要があると結論付けている。
我々の最終的な目的は、現在の文献のギャップを明らかにすることで、将来的な研究がこれらのギャップを修復し、同じ石にぶつからないようにし、最終的にこの地域で貴重な進歩を遂げることです。
関連論文リスト
- On the Essence and Prospect: An Investigation of Alignment Approaches
for Big Models [77.86952307745763]
ビッグデータはAIの分野で画期的なブレークスルーを達成したが、潜在的な懸念を生じさせるかもしれない。
このような懸念に対処するため、これらのモデルを人間の嗜好や価値観に適合させるアライメント技術が導入された。
過去1年間にかなりの進歩があったにもかかわらず、最適アライメント戦略の確立には様々な課題がある。
論文 参考訳(メタデータ) (2024-03-07T04:19:13Z) - Rethinking and Benchmarking Predict-then-Optimize Paradigm for
Combinatorial Optimization Problems [62.25108152764568]
多くのWebアプリケーションは、エネルギーコストを考慮したスケジューリング、Web広告の予算配分、ソーシャルネットワークでのグラフマッチングなど、最適化問題の解決に頼っている。
統一システムにおける予測と意思決定の性能について考察する。
我々は、現在のアプローチを包括的に分類し、既存の実験シナリオを統合する。
論文 参考訳(メタデータ) (2023-11-13T13:19:34Z) - Two Complementary Perspectives to Continual Learning: Ask Not Only What
to Optimize, But Also How [40.83885436290672]
損失関数にリプレイや正規化の項を追加するアプローチは、新しいタスクのトレーニングを開始する際には、一時的ではあるが重大な忘れがちであることを示す。
この「安定ギャップ」に動機づけられた学習戦略は、最適化目的だけでなく、この目的の最適化方法にも焦点をあてるべきである。
論文 参考訳(メタデータ) (2023-11-08T18:57:19Z) - Parsing Objects at a Finer Granularity: A Survey [54.72819146263311]
微細な視覚解析は、農業、リモートセンシング、宇宙技術など、多くの現実世界の応用において重要である。
卓越した研究努力は、異なるパラダイムに従って、これらのきめ細かいサブタスクに取り組む。
我々は,パート関係を学習する新たな視点から,先進的な研究を深く研究する。
論文 参考訳(メタデータ) (2022-12-28T04:20:10Z) - An introduction to optimization under uncertainty -- A short survey [2.3449131636069898]
本稿では,不確実性の下での最適化技術の現状について簡単な調査を行う。
論文は、不確実性のない最適化の主要なクラスの概要から始まる。
本稿の残りは、動脈とてんかんの両不確実性を扱うための異なる方法に焦点を当てている。
論文 参考訳(メタデータ) (2022-12-01T20:48:06Z) - Adaptive Inference through Early-Exit Networks: Design, Challenges and
Directions [80.78077900288868]
初期のネットワークの設計手法をその重要コンポーネントに分解し、各コンポーネントの最近の進歩を調査する。
我々は、他の効率的な推論ソリューションと早期に競合する立場をとり、この分野の研究における現在の課題と最も有望な今後の方向性についての洞察を提供する。
論文 参考訳(メタデータ) (2021-06-09T12:33:02Z) - Evolutionary Multitask Optimization: a Methodological Overview,
Challenges and Future Research Directions [8.14509634354919]
一つの探索プロセスを実行することで、複数の最適化問題を同時に解くという文脈でマルチタスクを考える。
進化的マルチタスクの新たなパラダイムは、進化的計算から引き出されたインスピレーションの概念を用いて、マルチタスク最適化のシナリオに取り組む。
論文 参考訳(メタデータ) (2021-02-04T11:48:11Z) - Unsupervised Transfer Learning for Spatiotemporal Predictive Networks [90.67309545798224]
我々は、教師なし学習されたモデルの動物園から別のネットワークへ知識を伝達する方法を研究する。
私たちのモチベーションは、モデルは異なるソースからの複雑なダイナミクスを理解することが期待されていることです。
提案手法は,時間的予測のための3つのベンチマークで大幅に改善され,重要度が低いベンチマークであっても,ターゲットのメリットが得られた。
論文 参考訳(メタデータ) (2020-09-24T15:40:55Z) - Importance Weighted Policy Learning and Adaptation [89.46467771037054]
政治外学習の最近の進歩の上に構築された,概念的にシンプルで,汎用的で,モジュール的な補完的アプローチについて検討する。
このフレームワークは確率論的推論文学のアイデアにインスパイアされ、堅牢な非政治学習と事前の行動を組み合わせる。
提案手法は,メタ強化学習ベースラインと比較して,ホールドアウトタスクにおける競合適応性能を実現し,複雑なスパース・リワードシナリオにスケールすることができる。
論文 参考訳(メタデータ) (2020-09-10T14:16:58Z) - dMFEA-II: An Adaptive Multifactorial Evolutionary Algorithm for
Permutation-based Discrete Optimization Problems [6.943742860591444]
本稿では、最近導入されたMFEA-II(Multifactorial Evolutionary Algorithm II)を、置換に基づく離散環境に適用する。
提案手法の性能を5種類のマルチタスク設定で評価した。
論文 参考訳(メタデータ) (2020-04-14T14:42:47Z) - COEBA: A Coevolutionary Bat Algorithm for Discrete Evolutionary
Multitasking [9.54239662772307]
マルチタスク環境を扱うための新しいアルゴリズムスキームを提案する。
提案手法はCoevolutionary Bat Algorithmと呼ばれ、共進化的戦略とメタヒューリスティックなBat Algorithmの両方から着想を得た。
論文 参考訳(メタデータ) (2020-03-24T13:37:43Z)
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。