論文の概要: Effects of Archive Size on Computation Time and Solution Quality for Multi-Objective Optimization

• arxiv url: http://arxiv.org/abs/2209.03100v1
• Date: Wed, 7 Sep 2022 12:25:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-08 12:13:08.747449
• Title: Effects of Archive Size on Computation Time and Solution Quality for Multi-Objective Optimization
• Title（参考訳）: 多目的最適化におけるアーカイブサイズが計算時間と解品質に及ぼす影響
• Authors: Tianye Shu and Ke Shang and Hisao Ishibuchi and Yang Nan
• Abstract要約: 外部アーカイブは、進化的多目的最適化アルゴリズムによって発見された全ての非支配的なソリューションを、いくつかの研究で保存するために使用されている。 i) 選択した最終ソリューションセットの品質, (ii) アーカイブメンテナンスの総計算時間, 最終ソリューションセットの選択, および (iii) 必要なメモリサイズについて, アーカイブサイズが3つの側面に与える影響について検討する。
• 参考スコア（独自算出の注目度）: 6.146046338698174
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An unbounded external archive has been used to store all nondominated solutions found by an evolutionary multi-objective optimization algorithm in some studies. It has been shown that a selected solution subset from the stored solutions is often better than the final population. However, the use of the unbounded archive is not always realistic. When the number of examined solutions is huge, we must pre-specify the archive size. In this study, we examine the effects of the archive size on three aspects: (i) the quality of the selected final solution set, (ii) the total computation time for the archive maintenance and the final solution set selection, and (iii) the required memory size. Unsurprisingly, the increase of the archive size improves the final solution set quality. Interestingly, the total computation time of a medium-size archive is much larger than that of a small-size archive and a huge-size archive (e.g., an unbounded archive). To decrease the computation time, we examine two ideas: periodical archive update and archiving only in later generations. Compared with updating the archive at every generation, the first idea can obtain almost the same final solution set quality using a much shorter computation time at the cost of a slight increase of the memory size. The second idea drastically decreases the computation time at the cost of a slight deterioration of the final solution set quality. Based on our experimental results, some suggestions are given about how to appropriately choose an archiving strategy and an archive size.
• Abstract（参考訳）: 非有界な外部アーカイブは、いくつかの研究で進化的多目的最適化アルゴリズムによって発見された非支配的な解を格納するために使われてきた。 保存された解から選択された解部分集合が最終集団よりも良いことが示されている。 しかし、非有界アーカイブの使用は必ずしも現実的ではない。 検査されたソリューションの数が大きい場合は、アーカイブサイズを事前に指定する必要があります。 本研究では,アーカイブサイズが3つの側面に与える影響について検討する。 (i)選択された最終解集合の品質 (ii)アーカイブのメンテナンスと最終解決セットの選択の合計計算時間 (iii) 必要なメモリサイズ。 当然ながら、アーカイブサイズの増加によって最終的なソリューションセットの品質が向上する。 興味深いことに、中規模のアーカイブの総計算時間は、小サイズのアーカイブと巨大なアーカイブ(例えば、無制限アーカイブ)よりもはるかに大きい。 計算時間を短縮するため,定期的なアーカイブ更新と後世のアーカイブの2つのアイデアを検討した。 世代毎のアーカイブ更新と比較して、最初のアイデアは、メモリサイズをわずかに増加させるコストで、計算時間をはるかに短縮することで、ほぼ同じ最終的なソリューションセットの品質を得ることができる。 第2のアイデアは、最終解集合の品質がわずかに低下するコストで計算時間を劇的に短縮する。 実験結果から,アーカイブ戦略とアーカイブサイズを適切に選択する方法が提案されている。

関連論文リスト

• MeMSVD: Long-Range Temporal Structure Capturing Using Incremental SVD [27.472705540825316]
  本論文は、長時間の時間窓上での人間の行動を認識すること(最大数分)を目標とする長期映像理解について述べる。 本稿では,Singular Value Decomposition を用いて取得したメモリの低ランク近似に基づくアテンションベースのスキームの代替を提案する。 提案手法には2つの利点がある: (a) 複雑度を1桁以上削減し, (b) メモリベース計算の効率的な実装が可能である。
  論文  参考訳（メタデータ） (2024-06-11T12:03:57Z)
• Streaming Long Video Understanding with Large Language Models [83.11094441893435]
  VideoStreamingは、ビデオ理解のための高度な視覚言語大モデル(VLLM)である。 一定の数のビデオストリーミングトークンを符号化し、伝播的に選択した任意の長さのビデオを理解することができる。 提案モデルは,長大なビデオベンチマークにおいて,優れた性能と高効率を実現する。
  論文  参考訳（メタデータ） (2024-05-25T02:22:09Z)
• Multi-Objective Archiving [6.469246318869941]
  アーカイブとは、新しいソリューションを以前のソリューションと比較し、アーカイブ/人口の更新方法を決定するプロセスである。 一般的な理論的観点からは、アーキビングの方法に関する体系的な研究が欠如している。
  論文  参考訳（メタデータ） (2023-03-16T23:08:52Z)
• Generalizing Few-Shot NAS with Gradient Matching [165.5690495295074]
  One-Shotメソッドは、1つのスーパーネットをトレーニングし、ウェイトシェアリングを通じて検索空間内の全てのアーキテクチャのパフォーマンスを近似する。 Few-Shot NASは、One-Shotスーパーネットを複数のサブスーパーネットに分割することで、ウェイトシェアリングのレベルを下げる。 Few-Shotよりも優れており、派生したアーキテクチャの精度という点では、従来の同等の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2022-03-29T03:06:16Z)
• Memory Replay with Data Compression for Continual Learning [80.95444077825852]
  古いトレーニングサンプルの記憶コストを低減するため,データ圧縮によるメモリリプレイを提案する。 我々はこれを、クラスインクリメンタル学習のいくつかのベンチマークと、自律運転のためのオブジェクト検出の現実的なシナリオにおいて、広範囲に検証する。
  論文  参考訳（メタデータ） (2022-02-14T10:26:23Z)
• Structured Prediction Problem Archive [30.27508546519084]
  構造化予測問題は、機械学習の基本的なツールの1つである。 私たちは、さまざまな問題クラスのフォーマットを簡単に読み取れるような、多数のデータセットをひとつの場所に集めています。 参考までに、論文で提案されているアルゴリズムの非排他的選択も提案する。
  論文  参考訳（メタデータ） (2022-02-04T12:30:49Z)
• ResLT: Residual Learning for Long-tailed Recognition [64.19728932445523]
  本稿では,パラメータ空間の側面から,より基本的なロングテール認識の視点を提案する。 すべてのクラスから画像を認識するために最適化されたメインブランチと、medium+tailクラスとtailクラスからのイメージを強化するために徐々に2つの残りのブランチを融合して最適化する。 我々は、CIFAR-10、CIFAR-100、Places、ImageNet、iNaturalist 2018の長期バージョンであるいくつかのベンチマークでこの方法をテストする。
  論文  参考訳（メタデータ） (2021-01-26T08:43:50Z)
• Memory-Efficient Hierarchical Neural Architecture Search for Image Restoration [68.6505473346005]
  メモリ効率の高い階層型NAS HiNAS(HiNAS)を提案する。 単一の GTX1080Ti GPU では、BSD 500 でネットワークを消すのに約 1 時間、DIV2K で超解像構造を探すのに 3.5 時間しかかかりません。
  論文  参考訳（メタデータ） (2020-12-24T12:06:17Z)
• Evolutionary Multi-Objective Optimization Algorithm Framework with Three Solution Sets [7.745468825770201]
  EMOアルゴリズムにより得られた非支配的解集合から最終解が決定者によって選択されると仮定する。 本稿では,様々な状況に対処するための3つのソリューションセットを備えた汎用EMOフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-14T08:04:07Z)
• ISTA-NAS: Efficient and Consistent Neural Architecture Search by Sparse Coding [86.40042104698792]
  スパース符号問題としてニューラルアーキテクチャ探索を定式化する。 実験では、CIFAR-10の2段階法では、検索にわずか0.05GPUしか必要としない。 本手法は,CIFAR-10とImageNetの両方において,評価時間のみのコストで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-10-13T04:34:24Z)

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。