Fugu-MT 論文翻訳(概要): Solving Multi-Structured Problems by Introducing Linkage Kernels into GOMEA

論文の概要: Solving Multi-Structured Problems by Introducing Linkage Kernels into GOMEA

arxiv url: http://arxiv.org/abs/2203.05970v1
Date: Fri, 11 Mar 2022 14:48:40 GMT
ステータス: 処理完了
システム内更新日: 2023-02-22 09:34:46.454136
Title: Solving Multi-Structured Problems by Introducing Linkage Kernels into GOMEA
Title（参考訳）: リンクカーネルのGOMEAへの導入による複数構造問題の解決
Authors: Arthur Guijt, Dirk Thierens, Tanja Alderliesten, Peter A.N. Bosman
Abstract要約: リンクカーネルを導入し、各ソリューションの局所近傍におけるリンケージ構造を学習する。また,Best-of-Traps (BoT) と呼ばれる新しいベンチマーク関数を導入する。 BoTと、有名なMaxCut問題の最悪のシナリオベースの変種の両方において、GOMEAよりもリンケージカーネルGOMEAの大幅な性能向上を実験的に見出した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Model-Based Evolutionary Algorithms (MBEAs) can be highly scalable by virtue of linkage (or variable interaction) learning. This requires, however, that the linkage model can capture the exploitable structure of a problem. Usually, a single type of linkage structure is attempted to be captured using models such as a linkage tree. However, in practice, problems may exhibit multiple linkage structures. This is for instance the case in multi-objective optimization when the objectives have different linkage structures. This cannot be modelled sufficiently well when using linkage models that aim at capturing a single type of linkage structure, deteriorating the advantages brought by MBEAs. Therefore, here, we introduce linkage kernels, whereby a linkage structure is learned for each solution over its local neighborhood. We implement linkage kernels into the MBEA known as GOMEA that was previously found to be highly scalable when solving various problems. We further introduce a novel benchmark function called Best-of-Traps (BoT) that has an adjustable degree of different linkage structures. On both BoT and a worst-case scenario-based variant of the well-known MaxCut problem, we experimentally find a vast performance improvement of linkage-kernel GOMEA over GOMEA with a single linkage tree as well as the MBEA known as DSMGA-II.
Abstract（参考訳）: モデルベース進化アルゴリズム(mbeas)は、リンク(あるいは可変相互作用)学習によって高度にスケーラブルになる。しかし、このためには、リンクモデルが問題の悪用可能な構造を捉える必要がある。通常、リンケージツリーのようなモデルを用いて、単一のタイプのリンケージ構造をキャプチャしようとする。しかし実際には、問題は複数の連鎖構造を示す可能性がある。これは例えば、目的が異なるリンケージ構造を持つ場合の多目的最適化の場合である。これは、単一のタイプのリンケージ構造を捕捉し、MBEAがもたらす利点を損なうことを目的としたリンケージモデルを使用する場合、十分にモデル化できない。そこで本研究では,局所近傍における各解に対してリンク構造を学習するリンケージカーネルを提案する。 GOMEAとして知られるMBEAにリンクカーネルを実装しました。さらに,様々なリンク構造を調節可能な,best-of-traps(bot)と呼ばれる新しいベンチマーク関数を導入する。 BoTと、有名なMaxCut問題の最悪のシナリオベースの変種の両方において、単一のリンクツリーを持つGOMEA上のリンクカーネルGOMEAと、DSMGA-IIとして知られるMBEAの大幅な性能改善を実験的に見出した。

関連論文リスト

GOAL: A Generalist Combinatorial Optimization Agent Learning [0.05461938536945722]
GOALは複数のハード最適化問題(COP)を効率的に解くことができるモデルであるゴールは1つのバックボーンと、入力および出力処理用の軽量な問題固有のアダプタで構成されている。 GOALは,幅広いCOPを解く最初のマルチタスクモデルでありながら,特定のベースラインよりもわずかに劣っている。
論文参考訳（メタデータ） (2024-06-21T11:55:20Z)
Combinatorial Multivariant Multi-Armed Bandits with Applications to Episodic Reinforcement Learning and Beyond [58.39457881271146]
CMAB(Multi-armed bandits)の多変量および確率的トリガーアーム(CMAB-MT)を用いた新しい枠組みを導入する。 CMAB-MTは既存のCMABと比べ、モデリング能力を高めるだけでなく、多変量確率変数の異なる統計特性を活用することで結果を改善することができる。本フレームワークは, エピソード強化学習(RL)や商品分布の確率的最大カバレッジなど, 応用として多くの重要な問題を含むことができる。
論文参考訳（メタデータ） (2024-06-03T14:48:53Z)
Real-Time Image Segmentation via Hybrid Convolutional-Transformer Architecture Search [49.81353382211113]
マルチヘッド自己認識を高分解能表現CNNに効率的に組み込むという課題に対処する。本稿では,高解像度機能の利点をフル活用したマルチターゲットマルチブランチ・スーパーネット手法を提案する。本稿では,Hybrid Convolutional-Transformer Architecture Search (HyCTAS)法を用いて,軽量畳み込み層とメモリ効率のよい自己保持層を最適に組み合わせたモデルを提案する。
論文参考訳（メタデータ） (2024-03-15T15:47:54Z)
Fitness-based Linkage Learning and Maximum-Clique Conditional Linkage Modelling for Gray-box Optimization with RV-GOMEA [0.552480439325792]
本研究では,適合度に基づくリンク学習と条件付きリンクモデリングを組み合わせたRV-GOMEAを提案する。新たなRV-GOMEAは,ほとんどの問題に対して最善を尽くすだけでなく,最適化時の条件付きリンクモデル学習のオーバーヘッドも無視できることが多い。
論文参考訳（メタデータ） (2024-02-16T15:28:27Z)
GNBG: A Generalized and Configurable Benchmark Generator for Continuous Numerical Optimization [5.635586285644365]
さまざまな特徴を持つさまざまな問題インスタンスを含むベンチマークテストスイートを使用することが重要です。従来のベンチマークスイートは、しばしば多数の固定テスト関数で構成されており、これらを特定の研究目的と整合させることが困難である。本稿では,単目的,ボックス制約,連続的な数値最適化のための一般化数値ベンチマークジェネレータ(GNBG)を提案する。
論文参考訳（メタデータ） (2023-12-12T09:04:34Z)
Modularity based linkage model for neuroevolution [4.9444321684311925]
ニューラルネットワーク間の交差は、接続重み間の強い機能的依存のために破壊的であると考えられている。機能的依存型コミュニティを維持するために,重みレベルでモジュール性に基づくリンクモデルを提案する。我々のアルゴリズムは、より良い、より機能的に依存したリンクを見つけ、より良いクロスオーバーとより良いパフォーマンスをもたらす。
論文参考訳（メタデータ） (2023-06-02T01:32:49Z)
DepGraph: Towards Any Structural Pruning [68.40343338847664]
我々は、CNN、RNN、GNN、Transformersのような任意のアーキテクチャの一般的な構造解析について研究する。本稿では,階層間の依存関係を明示的にモデル化し,包括的にグループ化してプルーニングを行う汎用かつ完全自動な手法であるemphDependency Graph(DepGraph)を提案する。本研究では,画像用ResNe(X)t,DenseNet,MobileNet,Vision Transformer,グラフ用GAT,3Dポイントクラウド用DGCNN,言語用LSTMなど,さまざまなアーキテクチャやタスクに関する手法を広範囲に評価し,言語用LSTMと並行して示す。
論文参考訳（メタデータ） (2023-01-30T14:02:33Z)
SWARM Parallelism: Training Large Models Can Be Surprisingly Communication-Efficient [69.61083127540776]
ディープラーニングアプリケーションは、数十億のパラメータを持つ大きなモデルを使用することの恩恵を受ける。これらのモデルのトレーニングは、特殊なHPCクラスタを必要とするため、非常に高価である。安価な"プリエンプティブル"インスタンスを使用するか、あるいは複数のリージョンから既存のリソースをプールする。
論文参考訳（メタデータ） (2023-01-27T18:55:19Z)
The Schr\"odinger Bridge between Gaussian Measures has a Closed Form [101.79851806388699]
我々は OT の動的定式化(Schr"odinger bridge (SB) 問題)に焦点を当てる。本稿では,ガウス測度間のSBに対する閉形式表現について述べる。
論文参考訳（メタデータ） (2022-02-11T15:59:01Z)
Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
多視点問題は潜在変数モデルに直面することができる。高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。両アプローチを単一モデルにマージすることを提案する。
論文参考訳（メタデータ） (2020-06-01T14:25:38Z)
Consistency of Spectral Clustering on Hierarchical Stochastic Block Models [5.983753938303726]
実世界のネットワークにおけるコミュニティの階層構造について,汎用ブロックモデルを用いて検討する。本手法の強い一貫性を,幅広いモデルパラメータで証明する。既存のほとんどの研究とは異なり、我々の理論は接続確率が桁違いに異なるかもしれないマルチスケールネットワークをカバーしている。
論文参考訳（メタデータ） (2020-04-30T01:08:59Z)

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。