論文の概要: Data-Driven Evolutionary Multi-Objective Optimization Based on
Multiple-Gradient Descent for Disconnected Pareto Fronts
- arxiv url: http://arxiv.org/abs/2205.14344v1
- Date: Sat, 28 May 2022 06:01:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-26 15:20:56.593104
- Title: Data-Driven Evolutionary Multi-Objective Optimization Based on
Multiple-Gradient Descent for Disconnected Pareto Fronts
- Title(参考訳): 切り離されたパレートフロントの多重勾配降下に基づくデータ駆動型進化的多目的最適化
- Authors: Renzhi Chen, Ke Li
- Abstract要約: 本稿では,データ駆動型進化的多目的最適化(EMO)アルゴリズムを提案する。
そのインフィル基準は、高価な客観的関数評価を行うための、有望な候補ソリューションのバッチを推奨している。
- 参考スコア(独自算出の注目度): 6.560512252982714
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data-driven evolutionary multi-objective optimization (EMO) has been
recognized as an effective approach for multi-objective optimization problems
with expensive objective functions. The current research is mainly developed
for problems with a 'regular' triangle-like Pareto-optimal front (PF), whereas
the performance can significantly deteriorate when the PF consists of
disconnected segments. Furthermore, the offspring reproduction in the current
data-driven EMO does not fully leverage the latent information of the surrogate
model. Bearing these considerations in mind, this paper proposes a data-driven
EMO algorithm based on multiple-gradient descent. By leveraging the regularity
information provided by the up-to-date surrogate model, it is able to
progressively probe a set of well distributed candidate solutions with a
convergence guarantee. In addition, its infill criterion recommends a batch of
promising candidate solutions to conduct expensive objective function
evaluations. Experiments on $33$ benchmark test problem instances with
disconnected PFs fully demonstrate the effectiveness of our proposed method
against four selected peer algorithms.
- Abstract(参考訳): データ駆動進化的多目的最適化(emo)は、高価な目的関数を持つ多目的最適化問題の効果的なアプローチとして認識されている。
本研究は,'正規'三角形様パレートオプティカルフロント(pf)の問題に対して,pfが切り離されたセグメントからなる場合,その性能は著しく低下する可能性がある。
さらに、現在のデータ駆動EMOにおける子孫の再生は、代理モデルの潜伏情報を完全に活用していない。
本稿では,これらの考察を念頭に,多段階降下に基づくデータ駆動型EMOアルゴリズムを提案する。
最新のサロゲートモデルによって提供される正則性情報を活用することにより、収束保証付きよく分散された候補解の集合を段階的に探索することができる。
さらに、infillの基準は、高価な客観的機能評価を行うための有望なソリューションのバッチを推奨している。
335ドルのベンチマークテスト問題インスタンスを分離したpfsを用いた実験により,提案手法が4つのピアアルゴリズムに対して有効であることを実証した。
関連論文リスト
- Data-Efficient Interactive Multi-Objective Optimization Using ParEGO [6.042269506496206]
多目的最適化は、競合する目的間の最適なトレードオフを提供する非支配的なソリューションの集合を特定することを目的としている。
実践的な応用では、意思決定者(DM)は実装すべき好みに合わせて単一のソリューションを選択する。
そこで本稿では,パレートフロントの最も好まれる領域を,高コストで評価できる2つの新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-01-12T15:55:51Z) - Inverse Transfer Multiobjective Optimization [29.580786235313987]
我々は,多目的最適化における逆変換という新しい概念を導入する。
逆移動は確率的逆モデルを用いることで際立つ。
InvTrEMO(InvTrEMO)の第1回リバーストランスファー・マルチオブジェクト(InvTrEMO)を紹介する。
論文 参考訳(メタデータ) (2023-12-22T14:12:18Z) - Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。
マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。
提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
論文 参考訳(メタデータ) (2023-08-28T18:48:34Z) - BOtied: Multi-objective Bayesian optimization with tied multivariate
ranks [49.85896045032822]
非支配解と最高多変量階との自然な関係を示し、これは合同累積分布関数(CDF)の最外層線と一致する。
我々はCDFインジケータに基づくBOtiedと呼ばれる取得関数を提案する。
論文 参考訳(メタデータ) (2023-06-01T04:50:06Z) - Differentially Private Federated Clustering over Non-IID Data [59.611244450530315]
クラスタリングクラスタ(FedC)問題は、巨大なクライアント上に分散されたラベルなしデータサンプルを、サーバのオーケストレーションの下で有限のクライアントに正確に分割することを目的としている。
本稿では,DP-Fedと呼ばれる差分プライバシー収束手法を用いた新しいFedCアルゴリズムを提案する。
提案するDP-Fedの様々な属性は、プライバシー保護の理論的解析、特に非識別的かつ独立に分散された(非i.d.)データの場合において得られる。
論文 参考訳(メタデータ) (2023-01-03T05:38:43Z) - Uncertainty-Aware Search Framework for Multi-Objective Bayesian
Optimization [40.40632890861706]
高価な関数評価を用いたマルチオブジェクト(MO)ブラックボックス最適化の問題点を考察する。
UeMOと呼ばれる新しい不確実性対応検索フレームワークを提案し、評価のための入力シーケンスを効率的に選択する。
論文 参考訳(メタデータ) (2022-04-12T16:50:48Z) - RoMA: Robust Model Adaptation for Offline Model-based Optimization [115.02677045518692]
入力出力クエリの静的データセットからブラックボックス目的関数を最大化する入力を探索する問題を考える。
この問題を解決するための一般的なアプローチは、真の客観的関数を近似するプロキシモデルを維持することである。
ここでの大きな課題は、検索中に逆最適化された入力を避ける方法である。
論文 参考訳(メタデータ) (2021-10-27T05:37:12Z) - Batched Data-Driven Evolutionary Multi-Objective Optimization Based on
Manifold Interpolation [6.560512252982714]
バッチ化されたデータ駆動型進化的多目的最適化を実現するためのフレームワークを提案する。
オフザシェルフ進化的多目的最適化アルゴリズムがプラグイン方式で適用できるのは、非常に一般的である。
提案するフレームワークは, より高速な収束と各種PF形状に対する強いレジリエンスを特徴とする。
論文 参考訳(メタデータ) (2021-09-12T23:54:26Z) - Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。
我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。
また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
論文 参考訳(メタデータ) (2021-07-02T16:21:52Z) - A Federated Data-Driven Evolutionary Algorithm for Expensive
Multi/Many-objective Optimization [11.92436948211501]
本稿では,フェデレートされたデータ駆動型進化的多目的/多目的最適化アルゴリズムを提案する。
複数のクライアントが協調してラジアル・ベーシ関数ネットワークをグローバルなサロゲートとしてトレーニングできるように、サロゲート構築のためのフェデレートラーニングを活用している。
グローバルサロゲートを用いて目的値を近似し、近似された目標値の不確かさレベルを推定するために、中央サーバに新たなフェデレーション獲得関数を提案する。
論文 参考訳(メタデータ) (2021-06-22T22:33:24Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2020-07-14T12:38:21Z)
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。