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

• Task Groupings Regularization: Data-Free Meta-Learning with Heterogeneous Pre-trained Models [83.02797560769285]
  Data-Free Meta-Learning (DFML)は、トレーニング済みモデルのコレクションから、元のデータにアクセスせずに知識を抽出することを目的としている。 現在の手法は、事前訓練されたモデル間の不均一性を見落とし、タスクの衝突による性能低下につながることが多い。 課題群規則化(Task Groupings Regularization)は、矛盾するタスクをグループ化し整合させることにより、モデルの不均一性から恩恵を受ける新しいアプローチである。
  論文  参考訳（メタデータ） (2024-05-26T13:11:55Z)
• Large Language Model-Aided Evolutionary Search for Constrained Multiobjective Optimization [15.476478159958416]
  我々は,制約付き多目的最適化問題に対する進化探索を強化するために,大規模言語モデル(LLM)を用いる。 私たちの目標は、進化の集団の収束を早めることです。
  論文  参考訳（メタデータ） (2024-05-09T13:44:04Z)
• V-STaR: Training Verifiers for Self-Taught Reasoners [75.11811592995176]
  本稿では,自己改善プロセス中に生成した正解と誤解の両方を利用して検証器を訓練するV-STaRを提案する。 V-STaRは、既存の自己改善と検証アプローチよりも4%から17%の精度で改善されている。
  論文  参考訳（メタデータ） (2024-02-09T15:02:56Z)
• 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)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• 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。