論文の概要: Benchmarking Subset Selection from Large Candidate Solution Sets in Evolutionary Multi-objective Optimization

• arxiv url: http://arxiv.org/abs/2201.06700v1
• Date: Tue, 18 Jan 2022 02:09:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-20 03:56:15.470850
• Title: Benchmarking Subset Selection from Large Candidate Solution Sets in Evolutionary Multi-objective Optimization
• Title（参考訳）: 進化的多目的最適化における大規模候補解集合からのベンチマークサブセット選択
• Authors: Ke Shang and Tianye Shu and Hisao Ishibuchi and Yang Nan and Lie Meng Pang
• Abstract要約: 進化的多目的最適化(EMO)の分野では、EMOアルゴリズムの最終個体群を出力として提示する。 近年,アーカイブの進化中に生成したすべての非支配的ソリューションを格納することで,この問題を解決するための新しい EMO フレームワークが提案されている。 本稿では,大規模候補解集合からのサブセット選択のためのベンチマークテストスイートを提案する。
• 参考スコア（独自算出の注目度）: 6.544757635738911
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the evolutionary multi-objective optimization (EMO) field, the standard practice is to present the final population of an EMO algorithm as the output. However, it has been shown that the final population often includes solutions which are dominated by other solutions generated and discarded in previous generations. Recently, a new EMO framework has been proposed to solve this issue by storing all the non-dominated solutions generated during the evolution in an archive and selecting a subset of solutions from the archive as the output. The key component in this framework is the subset selection from the archive which usually stores a large number of candidate solutions. However, most studies on subset selection focus on small candidate solution sets for environmental selection. There is no benchmark test suite for large-scale subset selection. This paper aims to fill this research gap by proposing a benchmark test suite for subset selection from large candidate solution sets, and comparing some representative methods using the proposed test suite. The proposed test suite together with the benchmarking studies provides a baseline for researchers to understand, use, compare, and develop subset selection methods in the EMO field.
• Abstract（参考訳）: 進化的多目的最適化(EMO)の分野では、EMOアルゴリズムの最終個体群を出力として提示する。 しかし、最終人口には前世代に生成され廃棄された他の解が支配する解がしばしば含まれていることが示されている。 近年,新たな EMO フレームワークが提案され,アーカイブの進化中に生成したすべての非支配的ソリューションを格納し,アーカイブからのソリューションのサブセットを出力として選択することで,この問題を解決している。 このフレームワークの主要なコンポーネントは、通常、多数の候補ソリューションを格納するアーカイブからのサブセット選択である。 しかし、ほとんどの研究は環境選択のための小さな候補解集合に焦点を当てている。 大規模なサブセット選択のためのベンチマークテストスイートは存在しない。 本稿では,大規模候補解集合からのサブセット選択のためのベンチマークテストスイートの提案と,提案するテストスイートを用いた代表手法の比較により,この研究ギャップを埋めることを目的とする。 提案したテストスイートとベンチマーク研究は、研究者がEMO分野におけるサブセット選択法を理解し、使用し、比較し、開発するためのベースラインを提供する。

関連論文リスト

• Training Greedy Policy for Proposal Batch Selection in Expensive Multi-Objective Combinatorial Optimization [52.80408805368928]
  本稿では,バッチ取得のための新しいグリーディ型サブセット選択アルゴリズムを提案する。 赤蛍光タンパク質に関する実験により,提案手法は1.69倍少ないクエリでベースライン性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2024-06-21T05:57:08Z)
• Prompt Optimization with EASE? Efficient Ordering-aware Automated Selection of Exemplars [66.823588073584]
  大規模言語モデル(LLM)は、現実世界のアプリケーションで印象的な機能を示している。 これらの卓越した作品の品質は、パフォーマンスに大きな影響を与えます。 既存の方法は、先行注文がパフォーマンスに与える影響を適切に説明できない。
  論文  参考訳（メタデータ） (2024-05-25T08:23:05Z)
• Large Language Models Are Not Robust Multiple Choice Selectors [117.72712117510953]
  複数選択質問(MCQ)は、大規模言語モデル(LLM)の評価において、一般的なが重要なタスク形式として機能する。 この研究は、現代のLLMが、その固有の「選択バイアス」によるオプション位置変化に対して脆弱であることを示している。 そこで本研究では,オプションIDに対する事前バイアスを全体予測分布から分離するPriDeという,ラベルのない推論時間脱バイアス手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T17:44:56Z)
• Domain Generalization via Rationale Invariance [70.32415695574555]
  本稿では,未確認環境においてもロバストな結果の維持を伴う領域一般化の課題を緩和する新たな視点を提供する。 本稿では,最終結果に対する要素的貢献を決定の根拠として扱い,各試料の根拠を行列として表現することを提案する。 提案手法は, 単純性に拘わらず, 様々なデータセット間で競合する結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-08-22T03:31:40Z)
• Optimal Data Selection: An Online Distributed View [61.31708750038692]
  この問題のオンライン版と分散版のアルゴリズムを開発する。 ランダム選択法は, ランダム選択法よりも5～20%高い性能を示した。 ImageNet と MNIST の学習タスクにおいて、我々の選択方法はランダム選択よりも5-20% 高い性能を示した。
  論文  参考訳（メタデータ） (2022-01-25T18:56:16Z)
• Clustering-Based Subset Selection in Evolutionary Multiobjective Optimization [11.110675371854988]
  サブセット選択は進化的多目的最適化(EMO)アルゴリズムにおいて重要な要素である。 クラスタリングに基づく手法は、EMOアルゴリズムによって得られた解集合からの部分集合選択の文脈では評価されていない。
  論文  参考訳（メタデータ） (2021-08-19T02:56:41Z)
• Fast Greedy Subset Selection from Large Candidate Solution Sets in Evolutionary Multi-objective Optimization [11.110675371854988]
  本稿では,超体積,IGD,IGD+インジケータのグリーディ部分選択の効率について論じる。 我々の考えは、超体積インジケータで知られている部分モジュラー特性を用いて、それらの効率を改善することである。
  論文  参考訳（メタデータ） (2021-02-01T16:14:15Z)
• Evolutionary Multi-Objective Optimization Algorithm Framework with Three Solution Sets [7.745468825770201]
  EMOアルゴリズムにより得られた非支配的解集合から最終解が決定者によって選択されると仮定する。 本稿では,様々な状況に対処するための3つのソリューションセットを備えた汎用EMOフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-14T08:04:07Z)
• Algorithm Configurations of MOEA/D with an Unbounded External Archive [7.745468825770201]
  実行中に基準点仕様を線形に変更することによりMOEA/Dの性能が向上することを示す。 また、遺伝的アルゴリズムに基づくオフラインハイパーヒューリスティック手法を用いて、各フレームワークにおけるMOEA/Dの最適構成を求める。
  論文  参考訳（メタデータ） (2020-07-27T08:14:37Z)
• Solution Subset Selection for Final Decision Making in Evolutionary Multi-Objective Optimization [7.745468825770201]
  最終的な意思決定の観点から,サブセットの選択について論じる。 定式化関数はIGD+インジケータと同じであることを示す。
  論文  参考訳（メタデータ） (2020-06-15T06:26:58Z)
• Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
  我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。 我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-29T09:40:58Z)

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。