論文の概要: Learning to Approximate: Auto Direction Vector Set Generation for
Hypervolume Contribution Approximation
- arxiv url: http://arxiv.org/abs/2201.06707v1
- Date: Tue, 18 Jan 2022 02:31:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-20 03:12:59.884592
- Title: Learning to Approximate: Auto Direction Vector Set Generation for
Hypervolume Contribution Approximation
- Title（参考訳）: 近似学習:超体積寄与近似のための自動方向ベクトルセット生成
- Authors: Ke Shang and Tianye Shu and Hisao Ishibuchi
- Abstract要約: 超体積寄与は進化的多目的最適化(EMO)において重要な概念である
R2インジケータの変種(すなわち$RtextHVC$インジケータ)は、超体積寄与を近似するために提案される。
本稿では,$RtextHVC$インジケータの方向ベクトル集合生成法であるtextitLearning to Approximate (LtA)を提案する。
- 参考スコア（独自算出の注目度）: 6.617487928813376
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hypervolume contribution is an important concept in evolutionary
multi-objective optimization (EMO). It involves in hypervolume-based EMO
algorithms and hypervolume subset selection algorithms. Its main drawback is
that it is computationally expensive in high-dimensional spaces, which limits
its applicability to many-objective optimization. Recently, an R2 indicator
variant (i.e., $R_2^{\text{HVC}}$ indicator) is proposed to approximate the
hypervolume contribution. The $R_2^{\text{HVC}}$ indicator uses line segments
along a number of direction vectors for hypervolume contribution approximation.
It has been shown that different direction vector sets lead to different
approximation quality. In this paper, we propose \textit{Learning to
Approximate (LtA)}, a direction vector set generation method for the
$R_2^{\text{HVC}}$ indicator. The direction vector set is automatically learned
from training data. The learned direction vector set can then be used in the
$R_2^{\text{HVC}}$ indicator to improve its approximation quality. The
usefulness of the proposed LtA method is examined by comparing it with other
commonly-used direction vector set generation methods for the
$R_2^{\text{HVC}}$ indicator. Experimental results suggest the superiority of
LtA over the other methods for generating high quality direction vector sets.
- Abstract（参考訳）: ハイパーボリューム貢献は進化的多目的最適化(emo)において重要な概念である。
ハイパーボリュームベースのEMOアルゴリズムとハイパーボリュームサブセット選択アルゴリズムを含む。
その主な欠点は、多目的最適化への適用性を制限する高次元空間では計算コストが高いことである。
近年、超体積寄与を近似するためにR2インジケータ変種(例えば$R_2^{\text{HVC}}$インジケータ)が提案されている。
R_2^{\text{HVC}}$インジケータは、超体積寄与近似のための多くの方向ベクトルに沿った線分を使用する。
異なる方向ベクトル集合は異なる近似品質をもたらすことが示されている。
本稿では、$R_2^{\text{HVC}}$インジケータの方向ベクトル集合生成法である、近似に対するtextit{Learning to Approximate (LtA)}を提案する。
方向ベクトルセットは、トレーニングデータから自動的に学習される。
学習した方向ベクトル集合は、近似品質を改善するために$R_2^{\text{HVC}}$インジケータで使用できる。
提案手法の有用性を,R_2^{\text{HVC}}$インジケータの他の一般的な方向ベクトル集合生成法と比較することにより検討した。
実験の結果、ltaは高品質方向ベクトル集合を生成する他の方法よりも優れていることが示唆された。
関連論文リスト
- AGD: an Auto-switchable Optimizer using Stepwise Gradient Difference for
Preconditioning Matrix [9.629238108795013]
本稿では,2段階の勾配差を対角線要素として利用して,プレコンディショニング行列の設計手法を提案する。
我々は、自然言語処理(NLP)、コンピュータビジョン(CV)、レコメンデーションシステム(RecSys)の一般化に関するAGDの評価を行った。
実験の結果,AGDは最先端技術(SOTA)よりも優れており,高い競争力や予測性能が向上していることがわかった。
論文 参考訳（メタデータ） (2023-12-04T06:20:14Z) - Neural Gradient Learning and Optimization for Oriented Point Normal
Estimation [53.611206368815125]
本研究では,3次元点雲から勾配ベクトルを一貫した向きで学習し,正規推定を行うためのディープラーニング手法を提案する。
局所平面幾何に基づいて角距離場を学習し、粗勾配ベクトルを洗練する。
本手法は,局所特徴記述の精度と能力の一般化を図りながら,グローバル勾配近似を効率的に行う。
論文 参考訳（メタデータ） (2023-09-17T08:35:11Z) - ELRA: Exponential learning rate adaption gradient descent optimization
method [83.88591755871734]
我々は, 高速(指数率), ab initio(超自由)勾配に基づく適応法を提案する。
本手法の主な考え方は,状況認識による$alphaの適応である。
これは任意の次元 n の問題に適用でき、線型にしかスケールできない。
論文 参考訳（メタデータ） (2023-09-12T14:36:13Z) - GA-Aided Directivity in Volumetric and Planar Massive-Antenna Array
Design [0.0]
本研究では, 指向性向上の問題から, 所望の到着/出発角(AoA/AoD)よりも指向性向上が促進されると考えられる。
直方体長方形角度と一般方位標高パターンを用いて指向性アレイの新しい体積アレイを提案する。
このような指向性距離は、できるだけ高い指向性ゲインを達成するために定式化される。
論文 参考訳（メタデータ） (2023-01-07T21:52:19Z) - The Hypervolume Indicator Hessian Matrix: Analytical Expression,
Computational Time Complexity, and Sparsity [4.523133864190258]
本稿では,$d$次元決定空間における$n$点の(固定サイズ)集合からスカラー超体積指標値への写像のヘッセン行列の解析式を確立する。
ヘッセン行列はニュートン・ラフソン最適化法のような二階法において重要な役割を担い、局所最適集合の検証に使用できる。
論文 参考訳（メタデータ） (2022-11-08T11:24:18Z) - Subspace clustering in high-dimensions: Phase transitions \&
Statistical-to-Computational gap [24.073221004661427]
部分空間クラスタリングを研究するための単純なモデルは、高次元の$k$-ガウス混合モデルである。
広帯域な高次元状態における統計的に最適な再構成誤差を正確に評価する。
論文 参考訳（メタデータ） (2022-05-26T17:47:35Z) - Approximate Function Evaluation via Multi-Armed Bandits [51.146684847667125]
既知の滑らかな関数 $f$ の値を未知の点 $boldsymbolmu in mathbbRn$ で推定する問題について検討する。
我々は、各座標の重要性に応じてサンプルを学習するインスタンス適応アルゴリズムを設計し、少なくとも1-delta$の確率で$epsilon$の正確な推定値である$f(boldsymbolmu)$を返す。
論文 参考訳（メタデータ） (2022-03-18T18:50:52Z) - Efficient Matrix-Free Approximations of Second-Order Information, with
Applications to Pruning and Optimization [16.96639526117016]
Inverse-Hessian Vector Products (IHVPs) の行列のない線形時間アプローチについて検討する。
これらのアルゴリズムは、既存の2階法と比較して計算オーバーヘッドが低いネットワークプルーニングと最適化の最先端結果をもたらす。
論文 参考訳（メタデータ） (2021-07-07T17:01:34Z) - BiAdam: Fast Adaptive Bilevel Optimization Methods [104.96004056928474]
バイレベル最適化は多くの応用のために機械学習への関心が高まっている。
制約付き最適化と制約なし最適化の両方に有用な分析フレームワークを提供する。
論文 参考訳（メタデータ） (2021-06-21T20:16:40Z) - A Precise Performance Analysis of Support Vector Regression [105.94855998235232]
我々は,n$の線形測定に応用したハードおよびソフトサポートベクター回帰法について検討した。
得られた結果は、ハードおよびソフトサポートベクトル回帰アルゴリズムの設計に介入するパラメータを最適に調整するために使用される。
論文 参考訳（メタデータ） (2021-05-21T14:26:28Z) - Correcting Momentum with Second-order Information [50.992629498861724]
最適積に$O(epsilon)$epsilon点を求める非臨界最適化のための新しいアルゴリズムを開発した。
我々は、さまざまな大規模ディープラーニングベンチマークとアーキテクチャで結果を検証する。
論文 参考訳（メタデータ） (2021-03-04T19:01:20Z)
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。