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
- Towards Sample-Efficiency and Generalization of Transfer and Inverse Reinforcement Learning: A Comprehensive Literature Review [50.67937325077047]
本稿では,転送および逆強化学習(T-IRL)によるRLアルゴリズムのサンプル効率と一般化を実現するための総合的なレビューを行う。
以上の結果から,最近の研究成果の大部分は,人間のループとシム・トゥ・リアル戦略を活用することで,上記の課題に対処していることが示唆された。
IRL構造の下では、経験の少ない移行と、そのようなフレームワークのマルチエージェントおよびマルチインテンション問題への拡張を必要とするトレーニングスキームが近年研究者の優先事項となっている。
論文 参考訳（メタデータ） (2024-11-15T15:18:57Z) - A Comprehensive Survey of Direct Preference Optimization: Datasets, Theories, Variants, and Applications [52.42860559005861]
DPO(Direct Preference Optimization)は、アライメントのための有望なアプローチとして登場した。
DPOの様々な進歩と固有の制限にもかかわらず、これらの側面の詳細なレビューは現在、文献に欠けている。
論文 参考訳（メタデータ） (2024-10-21T02:27:24Z) - Unlocking the Capabilities of Thought: A Reasoning Boundary Framework to Quantify and Optimize Chain-of-Thought [61.588465852846646]
大型言語モデル(LLM)の性能向上のための有望なアプローチとして、Chain-of-Thought(CoT)推論が登場した。
本稿では,これらの課題に対処するための新しい推論境界フレームワーク(RBF)を提案する。
論文 参考訳（メタデータ） (2024-10-08T05:26:28Z) - Deep Pareto Reinforcement Learning for Multi-Objective Recommender Systems [60.91599969408029]
複数の目的を同時に最適化することは、レコメンデーションプラットフォームにとって重要なタスクです。
既存の多目的推薦システムは、そのような動的な関係を体系的に考慮していない。
論文 参考訳（メタデータ） (2024-07-04T02:19:49Z) - Bridging the Gap Between Theory and Practice: Benchmarking Transfer Evolutionary Optimization [31.603211545949414]
本稿では,ビッグデータタスクインスタンスの3つの重要な側面(ボリューム,多様性,速度)に基づいて分類された文献からの問題を統合する,実用的なTrEOベンチマークスイートのパイオニアとなる。
我々の主な目的は、既存のTrEOアルゴリズムを包括的に分析し、実践的な課題に取り組むための新しいアプローチを開発するための道を開くことである。
論文 参考訳（メタデータ） (2024-04-20T13:34:46Z) - Two Complementary Perspectives to Continual Learning: Ask Not Only What to Optimize, But Also How [36.33674007527071]
継続的な学習戦略は、最適化目的だけでなく、この目標の最適化方法にも焦点をあてるべきである、と我々は主張する。
リプレイ近似共同目標と勾配予測に基づく最適化ルーチンを組み合わせた事前登録実験を行った。
我々の概念的議論は、経験的結果のいくつかと同様に、連続学習における最適化軌跡の顕著な重要性を示している。
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) - 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) - 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。