論文の概要: A Metaheuristic Approach for Mining Gradual Patterns
- arxiv url: http://arxiv.org/abs/2211.07940v1
- Date: Tue, 15 Nov 2022 06:52:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 14:44:04.458595
- Title: A Metaheuristic Approach for Mining Gradual Patterns
- Title(参考訳): 重力パターンマイニングのためのメタヒューリスティックアプローチ
- Authors: Dickson Odhiambo Owuor, Thomas Runkler, Anne Laurent
- Abstract要約: 本稿では,有効な探索空間を定義するために,段階的パターン候補の数値符号化を提案する。
また,探索空間を用いた段階的パターン発見問題に対する効率的な解法として,メタヒューリスティック最適化手法の体系的研究を行った。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Swarm intelligence is a discipline that studies the collective behavior that
is produced by local interactions of a group of individuals with each other and
with their environment. In Computer Science domain, numerous swarm intelligence
techniques are applied to optimization problems that seek to efficiently find
best solutions within a search space. Gradual pattern mining is another
Computer Science field that could benefit from the efficiency of swarm based
optimization techniques in the task of finding gradual patterns from a huge
search space. A gradual pattern is a rule-based correlation that describes the
gradual relationship among the attributes of a data set. For example, given
attributes {G,H} of a data set a gradual pattern may take the form: "the less
G, the more H". In this paper, we propose a numeric encoding for gradual
pattern candidates that we use to define an effective search space. In
addition, we present a systematic study of several meta-heuristic optimization
techniques as efficient solutions to the problem of finding gradual patterns
using our search space.
- Abstract(参考訳): スウォーム・インテリジェンス(英: Swarm Intelligence)とは、集団同士の局所的な相互作用と環境によって生み出される集団行動を研究する分野である。
コンピュータサイエンスの領域では、探索空間内で最適な解を効率的に探そうとする最適化問題に多くの群知能技術が適用されている。
段階的パターンマイニング(gradual pattern mining)は、巨大な検索空間から段階的パターンを見つけるタスクにおいて、swarmベースの最適化技術の有効性を享受するコンピュータサイエンス分野である。
段階的パターンは、データセットの属性間の段階的関係を記述する規則に基づく相関である。
例えば、データセットの与えられた属性 {G, H} は段階的パターンであり、「G が小さくなればなるほど H が大きくなる」という形式をとることができる。
本稿では,効率的な探索空間を定義するために,段階的パターン候補に対する数値符号化を提案する。
さらに,探索空間を用いた段階的パターン探索問題に対する効率的な解法として,メタヒューリスティック最適化手法の体系的研究を行った。
関連論文リスト
- Efficient Differentiable Discovery of Causal Order [14.980926991441342]
Intersortは、変数の因果順序を発見するためのスコアベースの方法である。
我々は、差別化可能なソートとランキング技術を用いてインターソートを再構築する。
我々の研究は、因果順の正規化を微分可能なモデルの訓練に効率的に組み込むための扉を開く。
論文 参考訳(メタデータ) (2024-10-11T13:11:55Z) - Faster Optimal Coalition Structure Generation via Offline Coalition Selection and Graph-Based Search [61.08720171136229]
本稿では,3つの革新的手法のハイブリッド化に基づく問題に対する新しいアルゴリズムSMARTを提案する。
これらの2つの手法は動的プログラミングに基づいており、評価のために選択された連立関係とアルゴリズムの性能の強力な関係を示す。
我々の手法は、問題にアプローチする新しい方法と、その分野に新しいレベルの精度をもたらす。
論文 参考訳(メタデータ) (2024-07-22T23:24:03Z) - Enhancing Machine Learning Model Performance with Hyper Parameter
Optimization: A Comparative Study [0.0]
機械学習における最も重要な問題のひとつは、トレーニングモデルに適切なハイパーパラメータの選択である。
ハイパーパラメータ最適化(HPO)は、人工知能研究が最近注目している話題である。
本研究では,グリッドやランダム探索,ベイズ最適化などの古典的手法,遺伝的アルゴリズムや粒子群最適化といった人口ベースアルゴリズムについて論じる。
論文 参考訳(メタデータ) (2023-02-14T10:12:10Z) - A machine learning framework for neighbor generation in metaheuristic
search [4.521119623956821]
メタヒューリスティック検索における近隣世代のための汎用機械学習フレームワークを提案する。
メタヒューリスティックな2つの応用法について検証する。
論文 参考訳(メタデータ) (2022-12-22T01:58:04Z) - Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。
基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。
我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
論文 参考訳(メタデータ) (2022-09-27T17:51:31Z) - Introductory Studies of Swarm Intelligence Techniques [1.2930503923129208]
群れ知能は、個体の集団的研究と、群れの知的行動につながる相互相互作用を含む。
この章では、様々な人口ベースのSIアルゴリズム、基本構造、数学的モデルについて紹介している。
論文 参考訳(メタデータ) (2022-09-26T16:29:55Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳(メタデータ) (2021-07-08T18:01:02Z) - Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。
問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。
本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-01-07T08:00:02Z) - DiffMG: Differentiable Meta Graph Search for Heterogeneous Graph Neural
Networks [45.075163625895286]
我々はメタグラフを探索し、メタパスよりも複雑なセマンティック関係をキャプチャし、グラフニューラルネットワークが異なるタイプのエッジに沿ってメッセージを伝播する方法を決定する。
我々は、HINの候補メタグラフを表すために、有向非巡回グラフ(DAG)の形式で表現型検索空間を設計する。
本稿では,1回のGNNトレーニングに匹敵する検索コストを1対1に抑えるための,新しい効率的な探索アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-10-07T08:09:29Z) - Localized active learning of Gaussian process state space models [63.97366815968177]
多くの共通制御アプリケーションにおいて、優れた性能を達成するためには、グローバルに正確なモデルを必要としない。
本稿では,状態-作用空間の有界部分集合上の正確なモデルを得ることを目的としたガウス過程状態空間モデルに対する能動的学習戦略を提案する。
モデル予測制御を用いることで、探索中に収集した情報を統合し、探索戦略を適応的に改善する。
論文 参考訳(メタデータ) (2020-05-04T05:35:02Z) - Improving a State-of-the-Art Heuristic for the Minimum Latency Problem
with Data Mining [69.00394670035747]
ハイブリッドメタヒューリスティックスは、オペレーション研究のトレンドとなっている。
成功例は、Greedy Randomized Adaptive Search Procedures (GRASP)とデータマイニング技術を組み合わせたものだ。
論文 参考訳(メタデータ) (2019-08-28T13:12:30Z)
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。