論文の概要: Effective Mutation Rate Adaptation through Group Elite Selection

• arxiv url: http://arxiv.org/abs/2204.04817v1
• Date: Mon, 11 Apr 2022 01:08:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-13 06:13:50.351487
• Title: Effective Mutation Rate Adaptation through Group Elite Selection
• Title（参考訳）: グループエリート選択による効果的な突然変異率適応
• Authors: Akarsh Kumar, Bo Liu, Risto Miikkulainen, Peter Stone
• Abstract要約: 本稿では,GESMR(Group Elite Selection of Mutation Rates)アルゴリズムを提案する。 GESMRは解の集団とMRの集団を共進化させ、各MRは解群に割り当てられる。 同じ数の関数評価とオーバーヘッドのほとんどないGESMRは、以前のアプローチよりも早く、より良いソリューションに収束する。
• 参考スコア（独自算出の注目度）: 50.88204196504888
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Evolutionary algorithms are sensitive to the mutation rate (MR); no single value of this parameter works well across domains. Self-adaptive MR approaches have been proposed but they tend to be brittle: Sometimes they decay the MR to zero, thus halting evolution. To make self-adaptive MR robust, this paper introduces the Group Elite Selection of Mutation Rates (GESMR) algorithm. GESMR co-evolves a population of solutions and a population of MRs, such that each MR is assigned to a group of solutions. The resulting best mutational change in the group, instead of average mutational change, is used for MR selection during evolution, thus avoiding the vanishing MR problem. With the same number of function evaluations and with almost no overhead, GESMR converges faster and to better solutions than previous approaches on a wide range of continuous test optimization problems. GESMR also scales well to high-dimensional neuroevolution for supervised image-classification tasks and for reinforcement learning control tasks. Remarkably, GESMR produces MRs that are optimal in the long-term, as demonstrated through a comprehensive look-ahead grid search. Thus, GESMR and its theoretical and empirical analysis demonstrate how self-adaptation can be harnessed to improve performance in several applications of evolutionary computation.
• Abstract（参考訳）: 進化的アルゴリズムは突然変異率(MR)に敏感であり、このパラメータの単一の値はドメイン間でうまく機能しない。 自己適応型MRアプローチは提案されているが、それらは脆い傾向があり、時にMRをゼロに崩壊させ、進化を停止させる。 本稿では,自己適応型MRを堅牢にするために,GESMRアルゴリズムを提案する。 GESMRは解の集団とMRの集団を共進化させ、各MRは解群に割り当てられる。 平均的な突然変異変化ではなく、結果として生じる最大の突然変異変化は、進化中のMR選択に使用され、消滅するMR問題を避ける。 同じ数の関数評価とオーバーヘッドがほとんどなく、gesmrは、幅広い連続テスト最適化問題に対する以前のアプローチよりも高速で優れたソリューションに収束する。 GESMRは、教師付き画像分類タスクや強化学習制御タスクのための高次元神経進化にも適している。 GESMRは、網羅的なルックアヘッドグリッドサーチによって示されるように、長期的に最適なMRを生成する。 したがって、GESMRとその理論的および経験的分析は、進化計算のいくつかの応用において、自己適応がどのようにして性能を向上させるかを示す。

関連論文リスト

• The Informed Elastic Net for Fast Grouped Variable Selection and FDR Control in Genomics Research [9.6703621796624]
  グループ化変数選択特性を維持しながら計算時間を著しく短縮する新しいベースセレクタを提案する。 提案したT-Rex+GVS(IEN)は、所望のグルーピング効果を示し、時間を短縮し、T-Rex+GVS(EN)と同じTPRを実現するが、FDRは低い。
  論文  参考訳（メタデータ） (2024-10-07T17:18:25Z)
• Effective Adaptive Mutation Rates for Program Synthesis [3.2228025627337864]
  進化的アルゴリズムの問題解決性能は突然変異率に依存する。 本稿では,変異率の特定の必要性を解消する適応的バンディットに基づく突然変異法を提案する。 ソフトウェア合成とシンボリック回帰問題の結果から,本手法の有効性が検証された。
  論文  参考訳（メタデータ） (2024-06-23T00:56:37Z)
• Towards a Complete Metamorphic Testing Pipeline [56.75969180129005]
  システムアンダーテスト(SUT)の連続実行における入出力ペア間の関係を調べてテストオラクル問題に対処するメタモルフィックテスト(MT) これらの関係は、メタモルフィック関係 (MRs) と呼ばれ、特定の入力変化に起因する期待される出力変化を規定する。 本研究の目的は,MR の生成,制約の定義,MR 結果の説明可能性の提供を支援する手法とツールの開発である。
  論文  参考訳（メタデータ） (2023-09-30T10:49:22Z)
• Towards Self-adaptive Mutation in Evolutionary Multi-Objective Algorithms [10.609857097723266]
  自己適応が多目的進化アルゴリズムに与える影響について検討する。 単一目的最適化とハイパーボリュームに基づく突然変異率の適応は,GSEMOの収束を早めることができることを示す。 本稿では,単一目的の最適化を考慮し,各ソリューションの突然変異率を個別に調整する自己適応突然変異GSEMOを提案する。
  論文  参考訳（メタデータ） (2023-03-08T14:26:46Z)
• Structured mutation inspired by evolutionary theory enriches population performance and diversity [2.3577368017815705]
  Grammar-Guided Genetic Programmingは、進化論から、与えられたタスクに対するソリューションを自律的に設計するために、様々な洞察を取り入れている。 進化生物学の最近の知見は、GGGPアルゴリズムのさらなる改良につながる可能性がある。 我々は、この新しい変分ファシリテート変異法(FM)と呼ぶ。
  論文  参考訳（メタデータ） (2023-02-01T16:25:03Z)
• Coefficient Mutation in the Gene-pool Optimal Mixing Evolutionary Algorithm for Symbolic Regression [0.0]
  GP-GOMEAはシンボリック回帰のアルゴリズムである。 GP-GOMEA に係数を最適化する簡単な手法が組み込まれていることを示す。 係数変異は、基礎となる方程式をかなりの量で再発見するのに役立ちます。
  論文  参考訳（メタデータ） (2022-04-26T08:58:47Z)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)
• Permutation Invariant Policy Optimization for Mean-Field Multi-Agent Reinforcement Learning: A Principled Approach [128.62787284435007]
  本稿では,平均場近似ポリシ最適化(MF-PPO)アルゴリズムを提案する。 我々は,MF-PPOが収束のサブ線形速度で世界的最適政策を達成することを証明した。 特に、置換不変ニューラルアーキテクチャによって引き起こされる誘導バイアスは、MF-PPOが既存の競合より優れていることを示す。
  論文  参考訳（メタデータ） (2021-05-18T04:35:41Z)
• Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
  マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。 これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
  論文  参考訳（メタデータ） (2021-03-01T22:55:48Z)
• Modal Regression based Structured Low-rank Matrix Recovery for Multi-view Learning [70.57193072829288]
  近年、低ランクなマルチビューサブスペース学習は、クロスビューの分類において大きな可能性を示している。 既存のLMvSLベースの手法では、ビューの区別と差別を同時に扱うことができない。 本稿では,視差を効果的に除去し,識別性を向上する独自の方法であるStructured Low-rank Matrix Recovery (SLMR)を提案する。
  論文  参考訳（メタデータ） (2020-03-22T03:57:38Z)

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。