論文の概要: An Analysis of the Admissibility of the Objective Functions Applied in
Evolutionary Multi-objective Clustering
- arxiv url: http://arxiv.org/abs/2206.09483v1
- Date: Sun, 19 Jun 2022 20:22:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 19:26:10.260605
- Title: An Analysis of the Admissibility of the Objective Functions Applied in
Evolutionary Multi-objective Clustering
- Title(参考訳): 進化的多目的クラスタリングにおける目的関数の許容性の解析
- Authors: Cristina Y. Morimoto and Aurora Pozo and Marc\'ilio C. P. de Souto
- Abstract要約: 本稿では,進化的最適化におけるクラスタリング基準の適用性について分析する。
目的関数の許容性が最適化にどのように影響するかを示す。
進化的多目的クラスタリングアプローチにおけるクラスタリング基準の組み合わせと利用に関する洞察を提供する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A variety of clustering criteria has been applied as an objective function in
Evolutionary Multi-Objective Clustering approaches (EMOCs). However, most EMOCs
do not provide detailed analysis regarding the choice and usage of the
objective functions. Aiming to support a better choice and definition of the
objectives in the EMOCs, this paper proposes an analysis of the admissibility
of the clustering criteria in evolutionary optimization by examining the search
direction and its potential in finding optimal results. As a result, we
demonstrate how the admissibility of the objective functions can influence the
optimization. Furthermore, we provide insights regarding the combinations and
usage of the clustering criteria in the EMOCs.
- Abstract(参考訳): 進化的多目的クラスタリングアプローチ(EMOC)において,様々なクラスタリング基準が客観的関数として適用されている。
しかし、ほとんどのEMOCは、目的関数の選択と使用に関する詳細な分析を提供していない。
本稿では,EMOCにおける目的のよりよい選択と定義を支援することを目的として,進化最適化におけるクラスタリング基準の許容可能性について,探索方向と最適結果の発見の可能性を調べて分析する。
その結果,目的関数の許容性が最適化にどのように影響するかを示した。
さらに,EMOCにおけるクラスタリング基準の組み合わせと利用に関する知見を提供する。
関連論文リスト
- Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis [53.38518232934096]
マルチタスク学習(MTL)は、タスク間の共有知識を活用し、一般化とパフォーマンスを改善するために設計された強力な機械学習パラダイムである。
本稿では,タスククラスタリングと特徴変換の交点におけるMTL手法を提案する。
両段階において、鍵となる側面は減った目標と特徴の解釈可能性を維持することである。
論文 参考訳(メタデータ) (2024-06-12T08:30:16Z) - GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。
GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。
本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
論文 参考訳(メタデータ) (2024-06-01T08:01:05Z) - Controllable Preference Optimization: Toward Controllable
Multi-Objective Alignment [107.63756895544842]
人工知能におけるアライメントは、モデル応答と人間の好みと値の一貫性を追求する。
既存のアライメント技術は、主に一方向であり、様々な目的に対して、最適以下のトレードオフと柔軟性の低下につながる。
制御可能な選好最適化(CPO)を導入し、異なる目的に対する選好スコアを明確に指定する。
論文 参考訳(メタデータ) (2024-02-29T12:12:30Z) - Deterministic Langevin Unconstrained Optimization with Normalizing Flows [3.988614978933934]
我々は,Fokker-Planck方程式とLangevin方程式にインスパイアされたブラックボックス関数に対するグローバルで自由な代理最適化戦略を導入する。
本研究は,標準合成試験関数の最適目的に向けての競争力の向上を実証する。
論文 参考訳(メタデータ) (2023-10-01T17:46:20Z) - Discrete Factorial Representations as an Abstraction for Goal
Conditioned Reinforcement Learning [99.38163119531745]
離散化ボトルネックを適用することにより,目標条件付きRLセットアップの性能が向上することを示す。
分布外目標に対する期待した回帰を実験的に証明し、同時に表現的な構造で目標を指定できるようにします。
論文 参考訳(メタデータ) (2022-11-01T03:31:43Z) - Multi-Objective GFlowNets [59.16787189214784]
本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。
薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。
GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
論文 参考訳(メタデータ) (2022-10-23T16:15:36Z) - Machine-Learning Based Objective Function Selection for Community
Detection [5.156484100374058]
我々は,NECTARアルゴリズムを拡張したNECTAR-MLを提案する。
分析の結果、約90%のケースにおいて、我々のモデルは正しい目的関数を正しく選択することができた。
論文 参考訳(メタデータ) (2022-03-25T08:12:01Z) - A Survey of Evolutionary Multi-Objective Clustering Approaches [0.0]
進化的多目的クラスタリングの一般的なアーキテクチャで提案される特徴と構成要素に基づいてアルゴリズムを解析する。
新しいアプローチを設計したり、既存のものを選択したり使用する際には、特定のクラスタリングプロパティ以外にこれらの側面を観察することが不可欠です。
論文 参考訳(メタデータ) (2021-10-15T13:53:12Z) - Transfer Learning Based Co-surrogate Assisted Evolutionary Bi-objective
Optimization for Objectives with Non-uniform Evaluation Times [9.139734850798124]
多目的進化アルゴリズムは、それぞれの目的関数を同じ時間内に評価できると仮定する。
高速な対象関数と低速な対象関数の間の機能的関係をモデル化するために、共代理が採用される。
高速な目的の探索プロセスから有用な知識を得るために、転送可能なインスタンス選択法を導入する。
論文 参考訳(メタデータ) (2021-08-30T16:10:15Z) - Empirical Study on the Benefits of Multiobjectivization for Solving
Single-Objective Problems [0.0]
局所オプティマはしばしばアルゴリズムの進行を防ぎ、深刻な脅威を引き起こす。
マルチオブジェクトの勾配に基づく高度な可視化技術を用いて,出現するマルチオブジェクトの景観の特性を図示し,考察した。
我々は,多目的COCOMOGSAがこれらの特性を利用して局所トラップを克服できることを実証的に示す。
論文 参考訳(メタデータ) (2020-06-25T14:04:37Z) - On the Global Optimality of Model-Agnostic Meta-Learning [133.16370011229776]
モデル・ア・メタラーニング(MAML)は、メタラーニングを二段階最適化問題として定式化し、内部レベルが各サブタスクを、共有された事前に基づいて解決する。
学習と教師あり学習の両方においてMAMLが達成した定常点の最適性を特徴付ける。
論文 参考訳(メタデータ) (2020-06-23T17:33:14Z)
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。