論文の概要: General Univariate Estimation-of-Distribution Algorithms
- arxiv url: http://arxiv.org/abs/2206.11198v1
- Date: Wed, 22 Jun 2022 16:32:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-23 14:47:23.213389
- Title: General Univariate Estimation-of-Distribution Algorithms
- Title（参考訳）: 一般不定分布推定アルゴリズム
- Authors: Benjamin Doerr, Marc Dufay
- Abstract要約: 私たちの一般的なモデルには、既存のモデルよりも効率的なEDAが含まれています。
既存のアルゴリズムの統一的な記述は、これらを統一的な分析を可能にし、遺伝的ドリフトの分析を提供することでこれを実証する。
私たちの一般的なモデルには、既存のモデルよりも効率的で、OneMaxとLeadingOnesベンチマークで示されているような、見つけにくいEDAも含まれています。
- 参考スコア（独自算出の注目度）: 9.853329403413701
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a general formulation of a univariate estimation-of-distribution
algorithm (EDA). It naturally incorporates the three classic univariate EDAs
\emph{compact genetic algorithm}, \emph{univariate marginal distribution
algorithm} and \emph{population-based incremental learning} as well as the
\emph{max-min ant system} with iteration-best update. Our unified description
of the existing algorithms allows a unified analysis of these; we demonstrate
this by providing an analysis of genetic drift that immediately gives the
existing results proven separately for the four algorithms named above. Our
general model also includes EDAs that are more efficient than the existing ones
and these may not be difficult to find as we demonstrate for the OneMax and
LeadingOnes benchmarks.
- Abstract（参考訳）: 本稿では,単変量分布推定アルゴリズム(EDA)の一般化を提案する。
これは自然に3つの古典的な不等式 edas \emph{compact genetic algorithm}, \emph{univariate marginal distribution algorithm}, \emph{population-based incremental learning} と \emph{max-min ant system} を反復最良更新で取り入れている。
既存のアルゴリズムの統一的な記述は、これらを統一的な分析を可能にし、上述の4つのアルゴリズムで証明された既存の結果とすぐに別々に示す遺伝子ドリフトの分析を提供することで、これを実証する。
私たちの一般的なモデルには、既存のモデルよりも効率的で、OneMaxとLeadingOnesベンチマークで示されているような、見つけにくいEDAも含まれています。
関連論文リスト
- Runtime Analysis of a Multi-Valued Compact Genetic Algorithm on Generalized OneMax [2.07180164747172]
一般化されたOneMax関数の最初のランタイム解析を提供する。
r-cGAはこのr値のOneMax問題を効率的に解くことを示す。
実験の最後には、多値OneMax関数の別の変種が期待されるランタイムに関する予想を述べる。
論文 参考訳（メタデータ） (2024-04-17T10:40:12Z) - Stochastic Methods in Variational Inequalities: Ergodicity, Bias and
Refinements [19.524063429548278]
Extragradient (SEG) と Gradient Descent Ascent (SGDA) は min-max 最適化と変分不等式問題に対する優越アルゴリズムである。
これらのアルゴリズムに固有の本質的な構造を定量化し定量化するための我々の取り組み。
定数のステップサイズSEG/SGDAを時間同質マルコフ連鎖として再キャストすることにより、大数の第一種法則と中心極限定理を確立する。
論文 参考訳（メタデータ） (2023-06-28T18:50:07Z) - A General Recipe for the Analysis of Randomized Multi-Armed Bandit Algorithms [14.33758865948252]
我々は2つの有名なバンディットアルゴリズム、Minimum Empirical Divergence (MED)とThompson Sampling (TS)を再検討する。
MEDがこれらのモデルすべてに最適であることを示すとともに、最適性がすでに知られているTSアルゴリズムの簡単な後悔解析も提供する。
論文 参考訳（メタデータ） (2023-03-10T16:43:48Z) - An Application of a Multivariate Estimation of Distribution Algorithm to
Cancer Chemotherapy [59.40521061783166]
癌に対する化学療法治療は、多数の相互作用する変数と制約を持つ複雑な最適化問題である。
より洗練されたアルゴリズムは、このような複雑な問題に対してより良いパフォーマンスをもたらすことが示される。
我々は、この問題における多数の相互作用によって、より洗練されたアルゴリズムが妨げられていることが原因であると仮定する。
論文 参考訳（メタデータ） (2022-05-17T15:28:46Z) - A hybrid estimation of distribution algorithm for joint stratification
and sample allocation [0.0]
本稿では,共同成層化とサンプル割り当て問題を解決するために,分散アルゴリズム(HEDA)のハイブリッド推定法を提案する。
EDAはブラックボックス最適化アルゴリズムであり、確率モデルを推定、構築、サンプリングするために使用することができる。
論文 参考訳（メタデータ） (2022-01-09T21:27:16Z) - Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。
厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。
このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
論文 参考訳（メタデータ） (2021-11-29T15:10:09Z) - Fractal Structure and Generalization Properties of Stochastic
Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。
さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文 参考訳（メタデータ） (2021-06-09T08:05:36Z) - Estimating leverage scores via rank revealing methods and randomization [50.591267188664666]
任意のランクの正方形密度あるいはスパース行列の統計レバレッジスコアを推定するアルゴリズムについて検討した。
提案手法は,高密度およびスパースなランダム化次元性還元変換の合成と階調明細化法を組み合わせることに基づく。
論文 参考訳（メタデータ） (2021-05-23T19:21:55Z) - Stochastic Hard Thresholding Algorithms for AUC Maximization [49.00683387735522]
分散分類におけるAUCのためのハードしきい値決定アルゴリズムを開発した。
提案アルゴリズムの有効性と有効性を示す実験を行った。
論文 参考訳（メタデータ） (2020-11-04T16:49:29Z) - Train simultaneously, generalize better: Stability of gradient-based
minimax learners [12.691047660244331]
コンベックス・コンベブと非コンベックス・ミニマックス・セッティングの両方において,訓練されたミニマックスモデルの性能において重要な役割を担っている。
学習したミニマックスモデルの一般化における最適化アルゴリズムの役割を示す数値的な結果について議論する。
論文 参考訳（メタデータ） (2020-10-23T17:44:43Z) - Efficient Computation of Expectations under Spanning Tree Distributions [67.71280539312536]
本稿では,エッジファクター,非プロジェクティブ・スパンニングツリーモデルにおいて,一階期待と二階期待の重要なケースに対する統一アルゴリズムを提案する。
我々のアルゴリズムは勾配と期待の基本的な関係を利用しており、効率的なアルゴリズムを導出することができる。
論文 参考訳（メタデータ） (2020-08-29T14:58:26Z)
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。