論文の概要: Reliability of Solutions in Linear Ordering Problem: New Probabilistic
Insight and Algorithms
- arxiv url: http://arxiv.org/abs/2208.03860v1
- Date: Mon, 8 Aug 2022 01:39:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-09 14:30:19.852919
- Title: Reliability of Solutions in Linear Ordering Problem: New Probabilistic
Insight and Algorithms
- Title(参考訳): 線形順序問題における解の信頼性:新しい確率的洞察とアルゴリズム
- Authors: Leszek Szczecinski and Harsh Sukheja
- Abstract要約: 線形順序問題(LOP)によって得られる解の信頼性を特徴付ける。
我々は確率論的視点を採用し、ペア比較の結果を共通のパラメータを持つベルヌーイ変数としてモデル化する。
アルゴリズムの微修正により、LOPのすべての解を見つけることができる。
- 参考スコア(独自算出の注目度): 2.050873301895484
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, our goal is to characterize the reliability of the solutions
that can be obtained by the linear ordering problem (LOP) which is used to
order $M$ objects from their pairwise comparisons. We adopt a probabilistic
perspective, where the results of pairwise comparisons are modeled as Bernoulli
variables with a common parameter which we estimate from the observed data.
Estimation by brute-force enumeration has a prohibitive complexity of O($M!$)
we thus reformulate the problem and introduce a concept of Slater's spectrum
which generalizes Slater's index, and next, devising an efficient algorithm to
find the spectrum, we lower the complexity to O($M^2 2^M$) which is manageable
for moderate-size LOPs. Furthermore, with a minor modification of the
algorithm, we are able to find all solutions of the LOP. Numerical examples on
synthetic and real-world data are shown and the Python-implemented algorithms
are publicly available.
- Abstract(参考訳): 本研究の目的は,対比較から$m$オブジェクトを注文する線形順序問題(lop)によって得られる解の信頼性を特徴付けることである。
我々は確率論的視点を採用し、ペア比較の結果を観測データから推定する共通パラメータを持つベルヌーイ変数としてモデル化する。
ブルート力列挙による推定は O($M!$) の禁制的な複雑性を持ち、スレーターの指数を一般化するスレータースペクトルの概念を導入し、次に、スペクトルを見つけるための効率的なアルゴリズムを考案し、その複雑性を中規模 LOP に対して管理可能な O($M^22^M$) に下げる。
さらに、アルゴリズムの微修正により、LOPのすべての解を見つけることができる。
合成および実世界のデータの数値例を示し、Pythonで実装されたアルゴリズムが公開されている。
関連論文リスト
- Quantum-Based Feature Selection for Multi-classification Problem in
Complex Systems with Edge Computing [15.894122816099133]
マルチクラス化問題,すなわちQReliefFに対する量子ベースの特徴選択アルゴリズムを提案する。
我々のアルゴリズムは、O(M) から O(sqrt(M)) への複雑さを減らし、最も近い隣人を見つけるのに優れている。
論文 参考訳(メタデータ) (2023-10-01T03:57:13Z) - Doubly Stochastic Matrix Models for Estimation of Distribution
Algorithms [2.28438857884398]
本稿では,自然置換問題のマッチングと割当てにDSM(Douubly Matrices)を用いる方法について検討する。
具体的には、分散アルゴリズムの推定の枠組みを採用し、DSMを置換問題に対する既存の提案と比較する。
二次代入問題の事例に関する予備実験は、この研究の行を検証し、DSMが非常に競争力のある結果が得られることを示した。
論文 参考訳(メタデータ) (2023-04-05T14:36:48Z) - Optimistic MLE -- A Generic Model-based Algorithm for Partially
Observable Sequential Decision Making [48.87943416098096]
本稿では,一般的な逐次決定のための簡単な学習アルゴリズムを提案する。
我々は,OMLEが極めて豊富な逐次的意思決定問題のクラスにおいて,ほぼ最適ポリシーを学習していることを証明する。
論文 参考訳(メタデータ) (2022-09-29T17:56:25Z) - 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) - First-Order Algorithms for Nonlinear Generalized Nash Equilibrium
Problems [88.58409977434269]
非線形一般化ナッシュ均衡問題(NGNEP)における平衡計算の問題を考える。
我々の貢献は、2次ペナルティ法と拡張ラグランジアン法に基づく2つの単純な一階アルゴリズムフレームワークを提供することである。
これらのアルゴリズムに対する漸近的理論的保証を提供する。
論文 参考訳(メタデータ) (2022-04-07T00:11:05Z) - Best of Both Worlds: Practical and Theoretically Optimal Submodular
Maximization in Parallel [32.5364938726281]
主アルゴリズムは、独立した関心を持つ可能性のある2つのコンポーネントから組み立てられる。
LINEARSEQの変種は、文献のどのアルゴリズムよりも小さい$O(log(n))$の適応複雑性を持つ。
論文 参考訳(メタデータ) (2021-11-15T17:10:40Z) - Partial Counterfactual Identification from Observational and
Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。
我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文 参考訳(メタデータ) (2021-10-12T02:21:30Z) - HighDist Framework: Algorithms and Applications [0.5584060970507505]
量子回路の出力分布のモードが与えられた閾値よりも大きいかどうかを判定する問題を導入する。
空間複雑性が分布領域の大きさの対数的であるこれらの問題の有望バージョンに対する量子アルゴリズムを設計する。
論文 参考訳(メタデータ) (2021-03-16T13:06:36Z) - Accelerated Message Passing for Entropy-Regularized MAP Inference [89.15658822319928]
離散値のランダムフィールドにおけるMAP推論の最大化は、機械学習の基本的な問題である。
この問題の難しさから、特殊メッセージパッシングアルゴリズムの導出には線形プログラミング(LP)緩和が一般的である。
古典的加速勾配の根底にある手法を活用することにより,これらのアルゴリズムを高速化するランダム化手法を提案する。
論文 参考訳(メタデータ) (2020-07-01T18:43:32Z) - The limits of min-max optimization algorithms: convergence to spurious
non-critical sets [82.74514886461257]
min-max最適化アルゴリズムは周期サイクルや同様の現象が存在するため、はるかに大きな問題に遭遇する。
問題のどの点も引き付けないアルゴリズムが存在することを示す。
ほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほとんどである。
論文 参考訳(メタデータ) (2020-06-16T10:49:27Z)
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。