論文の概要: A Survey on Learnable Evolutionary Algorithms for Scalable Multiobjective Optimization

• arxiv url: http://arxiv.org/abs/2206.11526v1
• Date: Thu, 23 Jun 2022 08:16:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-24 14:17:08.936663
• Title: A Survey on Learnable Evolutionary Algorithms for Scalable Multiobjective Optimization
• Title（参考訳）: スケーラブル多目的最適化のための学習可能な進化的アルゴリズムの検討
• Authors: Songbai Liu
• Abstract要約: 多目的進化アルゴリズム(MOEA)は、様々な多目的最適化問題(MOP)を解決するために採用されている。 しかし、これらの進歩的に改善されたMOEAは、必ずしも高度にスケーラブルで学習可能な問題解決戦略を備えていない。 異なるシナリオの下では、効果的に解決するための新しい強力なMOEAを設計する必要がある。 MOPをスケールアップするための機械学習技術で自身を操る学習可能なMOEAの研究は、進化計算の分野で広く注目を集めている。
• 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: Recent decades have witnessed remarkable advancements in multiobjective evolutionary algorithms (MOEAs) that have been adopted to solve various multiobjective optimization problems (MOPs). However, these progressively improved MOEAs have not necessarily been equipped with sophisticatedly scalable and learnable problem-solving strategies that are able to cope with new and grand challenges brought by the scaling-up MOPs with continuously increasing complexity or scale from diverse aspects, mainly including expensive function evaluations, many objectives, large-scale search space, time-varying environments, and multitask. Under different scenarios, it requires divergent thinking to design new powerful MOEAs for solving them effectively. In this context, research into learnable MOEAs that arm themselves with machine learning techniques for scaling-up MOPs has received extensive attention in the field of evolutionary computation. In this paper, we begin with a taxonomy of scalable MOPs and learnable MOEAs, followed by an analysis of the challenges that scaling up MOPs pose to traditional MOEAs. Then, we synthetically overview recent advances of learnable MOEAs in solving various scaling up MOPs, focusing primarily on three attractive and promising directions (i.e., learnable evolutionary discriminators for environmental selection, learnable evolutionary generators for reproduction, and learnable evolutionary transfer for sharing or reusing optimization experience between different problem domains). The insight into learnable MOEAs held throughout this paper is offered to the readers as a reference to the general track of the efforts in this field.
• Abstract（参考訳）: 近年,多目的最適化問題 (mops) の解法として採用されている多目的進化アルゴリズム (moeas) が注目されている。 しかし、これらの改善されたMOEAは、高額な関数評価、多くの目的、大規模検索空間、時間変化環境、マルチタスクを含む様々な側面から、複雑さやスケールを継続的に増加させながら、スケールアップMOPによってもたらされる、高度にスケーラブルで学習可能な問題解決戦略を必ずしも備えていない。 異なるシナリオの下では、効果的に解決するための新しい強力なMOEAを設計する必要がある。 この文脈では、MOPをスケールアップするための機械学習技術で自身を操る学習可能なMOEAの研究が、進化計算の分野で広く注目を集めている。 本稿では,スケーラブルモップと学習可能なモエイトの分類から始めて,モップのスケールアップが従来のモエイにもたらした課題について分析する。 そして, 学習可能なMOEAの最近の進歩を総合的に概説し, 主に魅力的な3つの方向(環境選択のための学習可能な進化的判別器, 再生のための学習可能な進化的生成器, 異なる問題領域間での最適化経験の共有や再利用のための学習可能な進化的移動)に焦点を当てた。 本論文の全体を通しての学習可能なMOEAに関する洞察は,本分野における取り組みの概略を参考に,読者に提供される。

関連論文リスト

• On-the-fly Modulation for Balanced Multimodal Learning [53.616094855778954]
  マルチモーダル学習は、異なるモーダルからの情報を統合することでモデル性能を向上させることが期待されている。 広く使われている共同トレーニング戦略は、不均衡で最適化されていないユニモーダル表現につながる。 そこで本研究では,OGM(On-the-fly Prediction Modulation)とOGM(On-the-fly Gradient Modulation)の戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-15T13:15:50Z)
• Coding for Intelligence from the Perspective of Category [66.14012258680992]
  符号化の対象はデータの圧縮と再構成、インテリジェンスである。 最近の傾向は、これらの2つの分野の潜在的均一性を示している。 本稿では,カテゴリ理論の観点から,インテリジェンスのためのコーディングの新たな問題を提案する。
  論文  参考訳（メタデータ） (2024-07-01T07:05:44Z)
• A Survey of Decomposition-Based Evolutionary Multi-Objective Optimization: Part I-Past and Future [5.074835777266041]
  進化的多目的最適化の文脈では分解は適切に研究されなかった。 MoEA/Dは、この領域の最新の開発をレビューするために、分解ベースのEMOの代表である。 第1部では,MOEA/Dの発展を起源から現在までの包括的調査を行う。 最終段階では、今後の発展に向けての新たな方向性に光を当てています。
  論文  参考訳（メタデータ） (2024-04-22T20:34:46Z)
• A Survey on Self-Evolution of Large Language Models [116.54238664264928]
  大規模言語モデル(LLM)は、様々な分野やインテリジェントエージェントアプリケーションにおいて大きく進歩している。 この問題に対処するために、LLMが自律的に獲得し、洗練し、モデル自身によって生成された経験から学ぶことができる自己進化的アプローチが急速に成長している。
  論文  参考訳（メタデータ） (2024-04-22T17:43:23Z)
• On the Challenges and Opportunities in Generative AI [135.2754367149689]
  現在の大規模生成AIモデルは、ドメイン間で広く採用されるのを妨げるいくつかの基本的な問題に十分対応していない、と我々は主張する。 本研究は、現代の生成型AIパラダイムにおける重要な未解決課題を特定し、その能力、汎用性、信頼性をさらに向上するために取り組まなければならない。
  論文  参考訳（メタデータ） (2024-02-28T15:19:33Z)
• When large language models meet evolutionary algorithms [48.213640761641926]
  事前訓練された大規模言語モデル(LLM)は、創造的な自然言語を生成する強力な能力を持つ。 進化的アルゴリズム(EA)は、複雑な現実世界の問題に対する多様な解決策を発見できる。 テキスト生成と進化の共通する集合性と方向性に動機づけられた本論文では,LLMとEAの並列性について述べる。
  論文  参考訳（メタデータ） (2024-01-19T05:58:30Z)
• Pre-Evolved Model for Complex Multi-objective Optimization Problems [3.784829029016233]
  多目的最適化問題(MOP)は、複数の目的の同時最適化を必要とする。 本稿では、MOEAが多様な複雑なMOPに対して高品質な人口を生み出すための事前進化の概念を提案する。
  論文  参考訳（メタデータ） (2023-12-11T05:16:58Z)
• MinT: Boosting Generalization in Mathematical Reasoning via Multi-View Fine-Tuning [53.90744622542961]
  数学領域における推論は、小言語モデル(LM)にとって重要な課題である。 多様なアノテーションスタイルで既存の数学的問題データセットを利用する新しい手法を提案する。 実験結果から,LLaMA-7Bモデルが先行手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-16T05:41:53Z)
• Enhanced Sampling with Machine Learning: A Review [0.0]
  分子動力学(MD)は、優れた解像度を持つ物理サンプリングシステムの研究を可能にするが、厳しい時間スケールの制限に悩まされる。 これを解決するため,探索時間空間を改善するため,改良されたサンプリング手法が開発されている。 近年,機械学習(ML)技術がさまざまな分野に統合されることが約束されている。 本稿では,MLの融合とMDの強化について検討する。
  論文  参考訳（メタデータ） (2023-06-15T13:13:56Z)
• Decomposition Multi-Objective Evolutionary Optimization: From State-of-the-Art to Future Opportunities [5.760976250387322]
  本報告では,MOEA/Dの原点から現状への展開について概説する。 MOEA/Dの選定された主要な開発は、そのコア設計コンポーネントに従ってレビューされる。 今後の発展に向けて、新たな方向性に光を当てた。
  論文  参考訳（メタデータ） (2021-08-21T22:21:44Z)
• Hybrid Adaptive Evolutionary Algorithm for Multi-objective Optimization [0.0]
  本稿では、MoHAEAと呼ばれるハイブリッド適応進化アルゴリズム(HAEA)の拡張として、新しい多目的アルゴリズムを提案する。 MoHAEAは、MOEA/D、pa$lambda$-MOEA/D、MOEA/D-AWA、NSGA-IIの4つの状態と比較される。
  論文  参考訳（メタデータ） (2020-04-29T02:16:49Z)

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。