論文の概要: Automatically Balancing Model Accuracy and Complexity using Solution and
Fitness Evolution (SAFE)
- arxiv url: http://arxiv.org/abs/2206.15409v1
- Date: Thu, 30 Jun 2022 16:55:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-01 14:11:00.730440
- Title: Automatically Balancing Model Accuracy and Complexity using Solution and
Fitness Evolution (SAFE)
- Title(参考訳): ソリューションとフィットネスの進化(safe)によるモデル精度と複雑性の自動バランス
- Authors: Moshe Sipper, Jason H. Moore, Ryan J. Urbanowicz
- Abstract要約: 提案した共進化アルゴリズムSAFE(Solution and Fitness Evolution)を用いて,複数の目的を動的に調整できるかどうかを検討する。
GAMETESツールによって生成された複雑なシミュレートされた遺伝的データセットよりも、標準的な進化的アルゴリズムと比較して、SAFEは性能損失のない精度と複雑さを自動調整できることがわかった。
- 参考スコア(独自算出の注目度): 4.149117182410553
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When seeking a predictive model in biomedical data, one often has more than a
single objective in mind, e.g., attaining both high accuracy and low complexity
(to promote interpretability). We investigate herein whether multiple
objectives can be dynamically tuned by our recently proposed coevolutionary
algorithm, SAFE (Solution And Fitness Evolution). We find that SAFE is able to
automatically tune accuracy and complexity with no performance loss, as
compared with a standard evolutionary algorithm, over complex simulated
genetics datasets produced by the GAMETES tool.
- Abstract(参考訳): バイオメディカルデータにおいて予測モデルを求めるとき、例えば高い精度と低い複雑さ(解釈可能性を促進するために)の両立を念頭に置いていることが多い。
本稿では、最近提案した共進化アルゴリズムSAFE(Solution And Fitness Evolution)を用いて、複数の目的を動的に調整できるかどうかを検討する。
通常の進化アルゴリズムと比較して,gametesツールが生成する複雑なシミュレート遺伝的データセットよりも,safeはパフォーマンス損失を伴わずに,精度と複雑性を自動的にチューニングできることが分かっています。
関連論文リスト
- Efficiently Predicting Protein Stability Changes Upon Single-point
Mutation with Large Language Models [51.57843608615827]
タンパク質の熱安定性を正確に予測する能力は、様々なサブフィールドや生化学への応用において重要である。
タンパク質配列と構造的特徴を統合したESMによる効率的なアプローチを導入し, 単一点突然変異によるタンパク質の熱安定性変化を予測する。
論文 参考訳(メタデータ) (2023-12-07T03:25:49Z) - Filling the Missing: Exploring Generative AI for Enhanced Federated
Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。
実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
論文 参考訳(メタデータ) (2023-10-21T12:07:04Z) - SIGMA: Scale-Invariant Global Sparse Shape Matching [49.85532688927782]
非剛体形状の正確なスパース対応を生成するための新しい混合整数プログラミング(MIP)法を提案する。
いくつかの挑戦的な3Dデータセットに対して,スパースな非剛性マッチングの最先端結果を示す。
論文 参考訳(メタデータ) (2023-08-16T14:25:30Z) - SESNet: sequence-structure feature-integrated deep learning method for
data-efficient protein engineering [6.216757583450049]
タンパク質変異体の適合度を予測するための教師付きディープラーニングモデルであるSESNetを開発した。
SESNetは,シーケンスと関数の関係を予測するための最先端モデルよりも優れていることを示す。
我々のモデルは、タンパク質変異体の適合性の予測において、特に高次変異体に対して驚くほど高い精度を達成することができる。
論文 参考訳(メタデータ) (2022-12-29T01:49:52Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - Complexity Measures for Multi-objective Symbolic Regression [2.4087148947930634]
多目的的シンボリック回帰は、学習したモデルの精度が最大化される一方で、その複雑さが自動的に適応されるという利点がある。
NSGA-IIを用いて多目的最適化を行う場合, シンボリック回帰においてどの複雑性尺度が最適に使用されるかを検討する。
論文 参考訳(メタデータ) (2021-09-01T08:22:41Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳(メタデータ) (2021-08-09T08:45:47Z) - AdaLead: A simple and robust adaptive greedy search algorithm for
sequence design [55.41644538483948]
我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。
AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
論文 参考訳(メタデータ) (2020-10-05T16:40:38Z) - Genetic Programming is Naturally Suited to Evolve Bagging Ensembles [0.0]
適合度評価と選択の微妙な変化は、単純で従来のGPアルゴリズムを効率的に進化させるのに十分であることを示す。
我々のアルゴリズムは、最先端のアンサンブルと非アンサンブルGPアルゴリズムと非常によく比較できる。
論文 参考訳(メタデータ) (2020-09-13T16:28:11Z) - Efficient Characterization of Dynamic Response Variation Using
Multi-Fidelity Data Fusion through Composite Neural Network [9.446974144044733]
構造力学解析における多レベル応答予測の機会を利用する。
得られた多レベル異種データセットを完全に活用できる複合ニューラルネットワーク融合手法を定式化する。
論文 参考訳(メタデータ) (2020-05-07T02:44:03Z) - GeneCAI: Genetic Evolution for Acquiring Compact AI [36.04715576228068]
ディープニューラルネットワーク(DNN)は、より高い推論精度を達成するために、より複雑なアーキテクチャへと進化している。
モデル圧縮技術は、リソース制限されたモバイルデバイスにそのような計算集約的なアーキテクチャを効率的に展開するために利用することができる。
本稿では,階層ごとの圧縮ハイパーパラメータのチューニング方法を自動的に学習する新しい最適化手法であるGeneCAIを紹介する。
論文 参考訳(メタデータ) (2020-04-08T20:56:37Z)
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。