論文の概要: Towards Explainable Metaheuristic: Mining Surrogate Fitness Models for
Importance of Variables
- arxiv url: http://arxiv.org/abs/2206.14135v1
- Date: Tue, 31 May 2022 09:16:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-04 04:47:05.972312
- Title: Towards Explainable Metaheuristic: Mining Surrogate Fitness Models for
Importance of Variables
- Title（参考訳）: 説明可能なメタヒューリスティックに向けて--変数の重要度を考慮したサロゲート・フィットネスモデルのマイニング
- Authors: Manjinder Singh, Alexander E.I. Brownlee, David Cairns
- Abstract要約: 4つのベンチマーク問題を用いて代理モデルを訓練し、代理モデルによる探索空間の学習について検討する。
代々の人口データに基づいて学習した結果,サロゲートモデルが問題の鍵となる特徴を抽出できることが示唆された。
- 参考スコア（独自算出の注目度）: 69.02115180674885
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Metaheuristic search algorithms look for solutions that either maximise or
minimise a set of objectives, such as cost or performance. However most
real-world optimisation problems consist of nonlinear problems with complex
constraints and conflicting objectives. The process by which a GA arrives at a
solution remains largely unexplained to the end-user. A poorly understood
solution will dent the confidence a user has in the arrived at solution. We
propose that investigation of the variables that strongly influence solution
quality and their relationship would be a step toward providing an explanation
of the near-optimal solution presented by a metaheuristic. Through the use of
four benchmark problems we use the population data generated by a Genetic
Algorithm (GA) to train a surrogate model, and investigate the learning of the
search space by the surrogate model. We compare what the surrogate has learned
after being trained on population data generated after the first generation and
contrast this with a surrogate model trained on the population data from all
generations. We show that the surrogate model picks out key characteristics of
the problem as it is trained on population data from each generation. Through
mining the surrogate model we can build a picture of the learning process of a
GA, and thus an explanation of the solution presented by the GA. The aim being
to build trust and confidence in the end-user about the solution presented by
the GA, and encourage adoption of the model.
- Abstract（参考訳）: メタヒューリスティック検索アルゴリズムは、コストやパフォーマンスなどの目的の集合を最大化または最小化するソリューションを探す。
しかし、現実世界の最適化問題は、複雑な制約と矛盾する目的を持つ非線形問題からなる。
GAがソリューションに到達するプロセスは、エンドユーザにはほとんど説明がつかないままです。
未理解のソリューションは、ユーザが到着したソリューションに対する信頼を損なう。
本研究は, 溶液の質に強い影響を及ぼす変数とその関係について, メタヒューリスティックによって提示される最適に近い解を説明するためのステップである。
4つのベンチマーク問題を用いて遺伝的アルゴリズム(GA)によって生成された人口データを用いて代理モデルを訓練し、代理モデルによる探索空間の学習について検討する。
我々は,第1世代以降に生成された人口データに基づいて訓練された後,サロゲートが学んだことを,全世代の人口データに基づいて訓練されたサロゲートモデルと比較する。
代々の人口データに基づいて学習した結果,サロゲートモデルが問題の主要な特徴を抽出することを示した。
代理モデルをマイニングすることで、GAの学習過程の画像を構築し、GAが提示する解を説明できる。
目的は、GAが提供するソリューションに対するエンドユーザの信頼と信頼を構築し、モデルの採用を促進することである。
関連論文リスト
- Diffusion Models as Network Optimizers: Explorations and Analysis [71.69869025878856]
生成拡散モデル(GDM)は,ネットワーク最適化の新しいアプローチとして期待されている。
本研究ではまず,生成モデルの本質的な特徴について考察する。
本稿では,識別的ネットワーク最適化よりも生成モデルの利点を簡潔かつ直感的に示す。
論文 参考訳（メタデータ） (2024-11-01T09:05:47Z) - Comparative study of regression vs pairwise models for surrogate-based heuristic optimisation [1.2535250082638645]
本稿では, シュロゲート問題の定式化を, 適合度を近似する回帰モデル(表面シュロゲートモデル)と, 分類モデル(ペアワイズ・シュロゲートモデル)を結合する新しい方法の両方として扱う。
オンライン機械学習に基づくサロゲートモデルを用いる場合の全体探索の性能は、予測モデルの精度だけでなく、正または負のケースに対するバイアスの種類にも依存する。
論文 参考訳（メタデータ） (2024-10-04T13:19:06Z) - DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
拡散生成モデルはより広い範囲の解を考えることができ、学習パラメータによるより強力な一般化を示す。
拡散生成モデルの本質的な分布学習を利用して高品質な解を学習する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-13T07:56:21Z) - V-STaR: Training Verifiers for Self-Taught Reasoners [71.53113558733227]
V-STaR はモデル生成解の正しさを判断する DPO を用いて検証器を訓練する。
複数のイテレーションでV-STaRを実行すると、徐々により良い推論器と検証器が得られる。
論文 参考訳（メタデータ） (2024-02-09T15:02:56Z) - Self-Labeling the Job Shop Scheduling Problem [15.723699332053558]
生成モデルは複数の解をサンプリングし、問題の目的に応じて最良の解を擬似ラベルとして使用することにより訓練可能であることを示す。
旅行セールスマン問題に適用することで,様々なパラメータに対するSLIMのロバスト性とその一般性を証明する。
論文 参考訳（メタデータ） (2024-01-22T11:08:36Z) - Autoinverse: Uncertainty Aware Inversion of Neural Networks [22.759930986110625]
我々は、ニューラルネットワークサロゲートを反転させる高度に自動化されたアプローチであるAutoinverseを提案する。
我々の主な洞察は、フォワードプロセスでサンプリングされた信頼性のあるデータの近くで逆解を求めることである。
提案手法は,制御,製造,設計における実世界の問題に対処することで検証する。
論文 参考訳（メタデータ） (2022-08-29T12:09:32Z) - A Mutual Information Maximization Approach for the Spurious Solution
Problem in Weakly Supervised Question Answering [60.768146126094955]
弱々しい教師付き質問応答は通常、最終的な答えのみを監督信号として持つ。
偶然に正解を導出する刺激的な解が多数存在するかもしれないが、そのような解の訓練はモデルの性能を損なう可能性がある。
本稿では,質問応答対と予測解間の相互情報の最大化により,このような意味的相関を明示的に活用することを提案する。
論文 参考訳（メタデータ） (2021-06-14T05:47:41Z) - Sequential Transfer in Reinforcement Learning with a Generative Model [48.40219742217783]
本稿では,従来の課題から知識を移譲することで,新たな課題を学習する際のサンプルの複雑さを軽減する方法について述べる。
この種の事前知識を使用することのメリットを明確に示すために,PAC境界のサンプル複雑性を導出する。
簡単なシミュレートされた領域における理論的な発見を実証的に検証する。
論文 参考訳（メタデータ） (2020-07-01T19:53:35Z) - Surrogate Assisted Evolutionary Algorithm for Medium Scale Expensive
Multi-Objective Optimisation Problems [4.338938227238059]
目的関数の代理モデルを構築することは、進化アルゴリズム(EA)が現実世界の複雑な最適化問題を解決するのに効果的であることが示されている。
本稿では,50個の決定変数を持つ中規模の高コスト多目的最適化問題に対して,ガウス過程サロゲートモデルによるEA支援手法を提案する。
提案アルゴリズムの有効性を,3つの最先端SAEAと比較し,10,20,50変数のベンチマーク問題に対して検証した。
論文 参考訳（メタデータ） (2020-02-08T12:06:08Z)
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。