論文の概要: The Weights can be Harmful: Pareto Search versus Weighted Search in
Multi-Objective Search-Based Software Engineering
- arxiv url: http://arxiv.org/abs/2202.03728v1
- Date: Tue, 8 Feb 2022 09:09:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-10 00:38:36.660846
- Title: The Weights can be Harmful: Pareto Search versus Weighted Search in
Multi-Objective Search-Based Software Engineering
- Title（参考訳）: 重み付けは有害である:多目的探索型ソフトウェア工学におけるパレート検索と重み付け検索
- Authors: Tao Chen and Miqing Li
- Abstract要約: 明確な嗜好が存在する場合でも,重みは検索プロセスに有害であることを示す。
我々の重要な発見は、重み付けされた検索が、検索の初期段階で比較的少ないリソースを消費することで、一定のレベルのソリューション品質に達することである。
- 参考スコア（独自算出の注目度）: 6.492599077364121
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In presence of multiple objectives to be optimized in Search-Based Software
Engineering (SBSE), Pareto search has been commonly adopted. It searches for a
good approximation of the problem's Pareto optimal solutions, from which the
stakeholders choose the most preferred solution according to their preferences.
However, when clear preferences of the stakeholders (e.g., a set of weights
which reflect relative importance between objectives) are available prior to
the search, weighted search is believed to be the first choice since it
simplifies the search via converting the original multi-objective problem into
a single-objective one and enable the search to focus on what only the
stakeholders are interested in.
This paper questions such a "weighted search first" belief. We show that the
weights can, in fact, be harmful to the search process even in the presence of
clear preferences. Specifically, we conduct a large scale empirical study which
consists of 38 systems/projects from three representative SBSE problems,
together with two types of search budget and nine sets of weights, leading to
604 cases of comparisons. Our key finding is that weighted search reaches a
certain level of solution quality by consuming relatively less resources at the
early stage of the search; however, Pareto search is at the majority of the
time (up to 77% of the cases) significantly better than its weighted
counterpart, as long as we allow a sufficient, but not unrealistic search
budget. This, together with other findings and actionable suggestions in the
paper, allows us to codify pragmatic and comprehensive guidance on choosing
weighted and Pareto search for SBSE under the circumstance that clear
preferences are available. All code and data can be accessed at:
https://github.com/ideas-labo/pareto-vs-weight-for-sbse.
- Abstract（参考訳）: 検索ベースソフトウェア工学(SBSE)において最適化される複数の目的が存在するため、パレート検索は一般的に採用されている。
問題のpareto最適解のよい近似を探索し、そこから利害関係者が好みに応じて最も望ましい解を選ぶ。
しかし、探索の前に利害関係者の明確な選好(例えば、目的間の相対的な重要性を反映した重み)が利用可能である場合、加重探索は、元の多目的問題を単一目的に変換して探索を単純化し、利害関係者のみに焦点を合わせることができるため、第一選択であると考えられている。
本稿では,このような「重み付け探索優先」の信念に疑問を呈する。
重みは,明確な選好が存在する場合でも,実際に検索プロセスに有害であることが示された。
具体的には,3つの代表的なsbse問題から38のシステム/プロジェクトと,2種類の検索予算と9種類の重み付けからなる大規模実証研究を行い,604例の比較を行った。
私たちの重要な発見は、重み付き検索は、検索の初期段階で比較的少ないリソースを消費することで、あるレベルのソリューション品質に達することですが、pareto検索は、十分な、しかし非現実的な検索予算を許容する限り、その重み付き検索に比べて、ほとんどの時間(最大77%)でかなり良いのです。
これにより、本論文の他の発見や実行可能な提案とともに、重み付けの選択に関する実用的で包括的なガイダンスを定式化し、明確な嗜好が利用できる状況下でParetoがSBSEを検索できる。
すべてのコードとデータは、https://github.com/ideas-labo/pareto-vs-weight-for-sbseでアクセスできる。
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) - A Visual Active Search Framework for Geospatial Exploration [36.31732056074638]
多くの問題は、航空画像によって支援された地理空間探索の形式と見なすことができる。
我々は3つの重要な入力を持つ視覚的能動探索(VAS)フレームワークでこの問題をモデル化する。
完全注釈付き検索タスクの集合からメタ検索ポリシーを学習するVASのための強化学習手法を提案する。
論文 参考訳（メタデータ） (2022-11-28T21:53:05Z) - MICO: Selective Search with Mutual Information Co-training [14.456028769565386]
MICOは、選択探索のための相互情報COトレーニングフレームワークである。
トレーニング後、MICOは文書をクラスタ化するだけでなく、検索を効率的にするために、未確認のクエリを関連するクラスタにルーティングする。
論文 参考訳（メタデータ） (2022-09-09T16:26:52Z) - Multidimensional Assignment Problem for multipartite entity resolution [69.48568967931608]
Multipartiteエンティティ解決は、複数のデータセットから1つのエンティティにレコードを統合することを目的としている。
代入問題を解くために、グリーディアルゴリズムと大規模近傍探索という2つの手順を適用する。
データベースのサイズが大きくなるにつれて、設計ベースのマルチスタートがより効率的であることを示す。
論文 参考訳（メタデータ） (2021-12-06T20:34:55Z) - Compositional Attention: Disentangling Search and Retrieval [66.7108739597771]
Multi-head, key-value attention は Transformer モデルとそのバリエーションのバックボーンである。
標準的なアテンションヘッドは、検索と検索の間の厳密なマッピングを学ぶ。
本稿では,標準ヘッド構造を置き換える新しいアテンション機構であるコンポジションアテンションアテンションを提案する。
論文 参考訳（メタデータ） (2021-10-18T15:47:38Z) - Exposing Query Identification for Search Transparency [69.06545074617685]
本稿では,検索システムの2つのクラスにおいて,クエリとドキュメントの役割を逆転させることにより,検索タスクとしてのEQIの実現可能性について検討する。
本研究では,クエリのランク付けの質を評価するための評価基準を導出するとともに,近似EQIの様々な実践的側面に着目した経験的分析を行う。
論文 参考訳（メタデータ） (2021-10-14T20:19:27Z) - Efficient Active Search for Combinatorial Optimization Problems [1.6543719822033436]
能動探索により、学習したモデルが、トレーニング中に見られたものよりもはるかに大きいインスタンスを効果的に解決できることが示される。
提案手法は、与えられたモデルの探索性能を大幅に向上する簡単な方法を提供し、ルーティング問題に対する最先端の機械学習手法より優れている。
論文 参考訳（メタデータ） (2021-06-09T15:08:03Z) - One-Shot Neural Ensemble Architecture Search by Diversity-Guided Search
Space Shrinking [97.60915598958968]
本稿では,この2つの課題に対処するワンショットニューラルアンサンブルアーキテクチャサーチ(NEAS)ソリューションを提案する。
最初の課題として,探索空間の縮小を導くために,多様性に基づく新しい指標を導入する。
第2の課題として,異なるモデル間の階層共有を効率向上のために学習する新たな探索次元を実現する。
論文 参考訳（メタデータ） (2021-04-01T16:29:49Z) - Robust Partial Matching for Person Search in the Wild [70.6661871706788]
本稿では、人物検出と再同定のためのAPNet(Align-to-Part Network)を提案する。
APNetは、推定された全体体領域をカバーする境界ボックスを検出する。
CUHK-SYSUやPRWといった既存の人物検索ベンチマーク上での競合性能を実現している。
論文 参考訳（メタデータ） (2020-04-20T14:21:03Z) - How to Evaluate Solutions in Pareto-based Search-Based Software
Engineering? A Critical Review and Methodological Guidance [9.040916182677963]
本稿では,検索ベースSEにおける多目的最適化の品質評価について検討する。
SBSEにおける品質評価指標/手法と一般的な状況の詳細な分析を行う。
異なるSBSEシナリオにおける評価手法の選択と利用のための方法論的ガイダンスをコーデレートする。
論文 参考訳（メタデータ） (2020-02-20T22:12:13Z)
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。