論文の概要: Analysing the Predictivity of Features to Characterise the Search Space

• arxiv url: http://arxiv.org/abs/2209.06114v1
• Date: Sun, 11 Sep 2022 20:04:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-14 12:06:24.069868
• Title: Analysing the Predictivity of Features to Characterise the Search Space
• Title（参考訳）: 検索空間を特徴付ける特徴の予測性の解析
• Authors: Rafet Durgut, Mehmet Emin Aydin, Hisham Ihshaish, Abdur Rakib
• Abstract要約: 良好な特徴を持つ探索空間は、問題状態が新しい問題状態を生成するための演算子の集合にマッピングされるのを助けることができる。 本稿では,ランドスケープ解析に基づく特徴集合を,最も著名な機械学習手法を用いて分析した。 提案手法は, 最適分類を決定するために, 特徴集合の予測係数を解析する。
• 参考スコア（独自算出の注目度）: 1.5484595752241122
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Exploring search spaces is one of the most unpredictable challenges that has attracted the interest of researchers for decades. One way to handle unpredictability is to characterise the search spaces and take actions accordingly. A well-characterised search space can assist in mapping the problem states to a set of operators for generating new problem states. In this paper, a landscape analysis-based set of features has been analysed using the most renown machine learning approaches to determine the optimal feature set. However, in order to deal with problem complexity and induce commonality for transferring experience across domains, the selection of the most representative features remains crucial. The proposed approach analyses the predictivity of a set of features in order to determine the best categorization.
• Abstract（参考訳）: 検索スペースの探索は、何十年にもわたって研究者の興味を惹きつけてきた最も予測できない課題の1つだ。 予測不能を扱う一つの方法は、検索空間を特徴付け、それに応じてアクションを取ることである。 洗練された探索空間は、問題状態が新しい問題状態を生成する演算子の集合にマッピングされるのを助けることができる。 本稿では,ランドスケープ解析に基づく特徴集合を,最も著名な機械学習手法を用いて解析し,最適特徴集合を決定する。 しかし、問題複雑性に対処し、ドメイン間での経験を伝達する共通性を誘導するためには、最も代表的な特徴の選択が不可欠である。 提案手法は,最適な分類を決定するために,特徴集合の予測性を分析する。

関連論文リスト

• Modeling Local Search Metaheuristics Using Markov Decision Processes [0.0]
  局所探索メタヒューリスティック解析のためのマルコフ決定過程(MDP)に基づく理論的枠組みを提案する。 このフレームワークは、個々のアルゴリズムに収束結果を提供するのに役立つだけでなく、探索-探索トレードオフの明示的な特徴も提供する。
  論文  参考訳（メタデータ） (2024-07-29T11:28:30Z)
• Feature Selection as Deep Sequential Generative Learning [50.00973409680637]
  本研究では, 逐次再構成, 変分, 性能評価器の損失を伴って, 深部変分変圧器モデルを構築した。 提案モデルでは,特徴選択の知識を抽出し,連続的な埋め込み空間を学習し,特徴選択決定シーケンスをユーティリティスコアに関連付けられた埋め込みベクトルにマッピングする。
  論文  参考訳（メタデータ） (2024-03-06T16:31:56Z)
• Inverse Reinforcement Learning with Sub-optimal Experts [56.553106680769474]
  与えられた専門家の集合と互換性のある報酬関数のクラスの理論的性質について検討する。 以上の結果から,複数の準最適専門家の存在が,相反する報酬の集合を著しく減少させる可能性が示唆された。 我々は,最適なエージェントの1つに十分近い準最適専門家のパフォーマンスレベルが最適である場合に,最小限の最適化を行う一様サンプリングアルゴリズムを解析する。
  論文  参考訳（メタデータ） (2024-01-08T12:39:25Z)
• Challenges of ELA-guided Function Evolution using Genetic Programming [0.0]
  探索ランドスケープ解析(ELA)特性によって導かれる遺伝的プログラミング手法は,必ずしも満足度の高い関数を見つけることができないことを示す。 以上の結果から, 景観特性の重み付けに対する注意深い考察が, 対象の景観に十分適応する関数の進化に必要である可能性が示唆された。
  論文  参考訳（メタデータ） (2023-05-24T15:31:01Z)
• Compositional Attention: Disentangling Search and Retrieval [66.7108739597771]
  Multi-head, key-value attention は Transformer モデルとそのバリエーションのバックボーンである。 標準的なアテンションヘッドは、検索と検索の間の厳密なマッピングを学ぶ。 本稿では,標準ヘッド構造を置き換える新しいアテンション機構であるコンポジションアテンションアテンションを提案する。
  論文  参考訳（メタデータ） (2021-10-18T15:47:38Z)
• Exposing Query Identification for Search Transparency [69.06545074617685]
  本稿では,検索システムの2つのクラスにおいて,クエリとドキュメントの役割を逆転させることにより,検索タスクとしてのEQIの実現可能性について検討する。 本研究では,クエリのランク付けの質を評価するための評価基準を導出するとともに,近似EQIの様々な実践的側面に着目した経験的分析を行う。
  論文  参考訳（メタデータ） (2021-10-14T20:19:27Z)
• Inverse Bayesian Optimization: Learning Human Search Strategies in a Sequential Optimization Task [0.10499611180329801]
  本稿では,ベイズ最適化の逆問題について考察する。 観察された探索経路に基づいてエージェントの潜時獲得関数を推定する。 実験から人間の行動を解析し,その方法を説明する。
  論文  参考訳（メタデータ） (2021-04-16T15:40:34Z)
• Feature Selection Using Reinforcement Learning [0.0]
  特定の関心の予測因子を特徴付けるために使用できる変数や特徴の空間は指数関数的に増大し続けている。 モデルのバイアスを損なうことなく分散を最小化する最も特徴的な特徴を特定することは、マシンラーニングモデルのトレーニングを成功させる上で非常に重要です。
  論文  参考訳（メタデータ） (2021-01-23T09:24:37Z)
• Maximizing Store Revenues using Tabu Search for Floor Space Optimization [0.0]
  我々は、この問題を、さらに大域的な制約を伴って連結多重選択knapsack問題として定式化する。 タブ検索に基づくメタヒューリスティックを提案する。
  論文  参考訳（メタデータ） (2020-11-04T22:42:54Z)
• Novel Human-Object Interaction Detection via Adversarial Domain Generalization [103.55143362926388]
  本研究では,新たな人-物間相互作用(HOI)検出の問題点を考察し,モデルの一般化能力を向上させることを目的とした。 この課題は、主に対象と述語の大きな構成空間に起因し、全ての対象と述語の組み合わせに対する十分な訓練データが欠如している。 本稿では,予測のためのオブジェクト指向不変の特徴を学習するために,対数領域の一般化の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2020-05-22T22:02:56Z)
• Robust Partial Matching for Person Search in the Wild [70.6661871706788]
  本稿では、人物検出と再同定のためのAPNet(Align-to-Part Network)を提案する。 APNetは、推定された全体体領域をカバーする境界ボックスを検出する。 CUHK-SYSUやPRWといった既存の人物検索ベンチマーク上での競合性能を実現している。
  論文  参考訳（メタデータ） (2020-04-20T14:21:03Z)

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。