論文の概要: Differential evolution variants for Searching D- and A-optimal designs
- arxiv url: http://arxiv.org/abs/2208.11262v1
- Date: Wed, 24 Aug 2022 01:50:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-25 12:23:55.717271
- Title: Differential evolution variants for Searching D- and A-optimal designs
- Title（参考訳）: D-およびA-最適設計のための微分進化変種
- Authors: Lyuyang Tong
- Abstract要約: DとAの最適設計は、最適設計の分野で非常に難しい問題である。
従来の進化的アルゴリズム(EA)は、実験的な最適化設計問題のごく一部に適用される。
本稿では,D-およびA-最適設計を複数の異なる統計モデルで求めるための微分進化(DE)変異について検討する。
- 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: Optimal experimental design is an essential subfield of statistics that
maximizes the chances of experimental success. The D- and A-optimal design is a
very challenging problem in the field of optimal design, namely minimizing the
determinant and trace of the inverse Fisher information matrix. Due to the
flexibility and ease of implementation, traditional evolutionary algorithms
(EAs) are applied to deal with a small part of experimental optimization design
problems without mathematical derivation and assumption. However, the current
EAs remain the issues of determining the support point number, handling the
infeasible weight solution, and the insufficient experiment. To address the
above issues, this paper investigates differential evolution (DE) variants for
finding D- and A-optimal designs on several different statistical models. The
repair operation is proposed to automatically determine the support point by
combining similar support points with their corresponding weights based on
Euclidean distance and deleting the support point with less weight.
Furthermore, the repair operation fixes the infeasible weight solution into the
feasible weight solution. To enrich our optimal design experiments, we utilize
the proposed DE variants to test the D- and A-optimal design problems on 12
statistical models. Compared with other competitor algorithms, simulation
experiments show that LSHADE can achieve better performance on the D- and
A-optimal design problems.
- Abstract（参考訳）: 最適実験設計は、実験の成功の可能性を最大化する統計学の重要なサブフィールドである。
d-およびa-最適設計は最適設計の分野において非常に困難な問題であり、すなわち逆フィッシャー情報行列の行列式とトレースを最小化する。
実装の柔軟性と容易さのため、従来の進化的アルゴリズム(EA)は、数学的導出や仮定を伴わない実験的な最適化設計問題のごく一部に適用される。
しかし、現状のEAは、サポートポイント数の決定、実現不可能な重み付けソリューションの扱い、不十分な実験の課題のままである。
上記の問題に対処するために,D-およびA-最適設計を複数の異なる統計モデルで求めるための微分進化(DE)変異について検討する。
同様の支持点と対応する重みとをユークリッド距離に基づいて結合し、より少ない重みで支持点を削除することで、補修作業が自動的に支持点を決定する。
さらに、補修操作は、実現不可能重量解を可能重量解に固定する。
最適設計実験を充実させるために、提案したD-およびA-最適設計問題を12の統計モデルで検証する。
他の競合アルゴリズムと比較して、シミュレーション実験により、LSHADEはD-およびA-最適設計問題においてより良い性能が得られることが示された。
関連論文リスト
- Vehicle Suspension Recommendation System: Multi-Fidelity Neural Network-based Mechanism Design Optimization [4.038368925548051]
自動車のサスペンションは運転性能と乗り心地を改善するように設計されているが、環境によって異なる種類が利用できる。
従来の設計プロセスは多段階であり、設計候補の数を徐々に減らし、目標性能を満たすためにコスト分析を行う。
近年、AIモデルはFAAの計算コストの削減に利用されている。
論文 参考訳（メタデータ） (2024-10-03T23:54:03Z) - Learning Joint Models of Prediction and Optimization [56.04498536842065]
Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。
本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
論文 参考訳（メタデータ） (2024-09-07T19:52:14Z) - Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。
本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。
提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
論文 参考訳（メタデータ） (2024-03-20T00:41:12Z) - Functional Graphical Models: Structure Enables Offline Data-Driven Optimization [111.28605744661638]
構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。
また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-01-08T22:33:14Z) - Diffusion Generative Inverse Design [28.04683283070957]
逆設計(英: inverse design)とは、目的関数の入力を最適化し、目的の結果を導出する問題を指す。
学習グラフニューラルネットワーク(GNN)の最近の進歩は、シミュレーション力学の正確で効率的で微分可能な推定に利用することができる。
本稿では, 分散拡散モデルを用いて, 逆設計問題の解法を効率的に行う方法を示し, より効率的な粒子サンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-05T08:32:07Z) - Variational Sequential Optimal Experimental Design using Reinforcement
Learning [0.0]
ベイジアン・フレームワークと情報ゲイン・ユーティリティを用いた有限列実験を最適に設計する新しい手法である変分逐次最適実験設計(vsOED)を導入する。
以上の結果から,従来の逐次設計アルゴリズムと比較して,サンプル効率が大幅に向上し,前方モデルシミュレーションの数が減少したことが示唆された。
論文 参考訳（メタデータ） (2023-06-17T21:47:19Z) - CO-BED: Information-Theoretic Contextual Optimization via Bayesian
Experimental Design [31.247108087199095]
CO-BEDは、情報理論の原理を用いて文脈実験を設計するためのモデルに依存しないフレームワークである。
その結果、CO-BEDは、幅広い文脈最適化問題に対して、汎用的で自動化されたソリューションを提供する。
論文 参考訳（メタデータ） (2023-02-27T18:14:13Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳（メタデータ） (2023-01-28T01:50:42Z) - Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。
実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-10-07T02:12:34Z) - Optimal Bayesian experimental design for subsurface flow problems [77.34726150561087]
本稿では,設計ユーティリティ機能のためのカオス拡張サロゲートモデル(PCE)の開発のための新しいアプローチを提案する。
この手法により,対象関数に対する適切な品質応答面の導出が可能となり,計算予算は複数の単点評価に匹敵する。
論文 参考訳（メタデータ） (2020-08-10T09:42:59Z)
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。