論文の概要: Are metaheuristics worth it? A computational comparison between nature-inspired and deterministic techniques on black-box optimization problems

• arxiv url: http://arxiv.org/abs/2212.06875v1
• Date: Tue, 13 Dec 2022 19:44:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 14:07:55.999990
• Title: Are metaheuristics worth it? A computational comparison between nature-inspired and deterministic techniques on black-box optimization problems
• Title（参考訳）: メタヒューリスティックスの価値はあるか? ブラックボックス最適化問題における自然と決定論的手法の計算比較
• Authors: Jakub Kudela
• Abstract要約: 本稿では,これらの各ブランチから選択した手法の広範な比較を行う。 その結果,目的関数評価が比較的安価である状況に対処する場合,本手法は決定論的手法よりも性能が著しく向上することがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the field of derivative-free optimization, both of its main branches, the deterministic and nature-inspired techniques, experienced in recent years substantial advancement. In this paper, we provide an extensive computational comparison of selected methods from each of these branches. The chosen representatives were either standard and well-utilized methods, or the best-performing methods from recent numerical comparisons. The computational comparison was performed on five different benchmark sets and the results were analyzed in terms of performance, time complexity, and convergence properties of the selected methods. The results showed that, when dealing with situations where the objective function evaluations are relatively cheap, the nature-inspired methods have a significantly better performance than their deterministic counterparts. However, in situations when the function evaluations are costly or otherwise prohibited, the deterministic methods might provide more consistent and overall better results.
• Abstract（参考訳）: デリバティブフリー最適化の分野では、その主要な分野である決定論的手法と自然にインスパイアされた技術の両方が近年大きく進歩した。 本稿では,これらの各ブランチから選択した手法の広範な比較を行う。 選択された代表者は、標準および十分に活用された方法か、あるいは最近の数値比較から最も優れた方法であった。 計算比較は5つの異なるベンチマークセットで行われ, 結果は, 選択した手法の性能, 時間的複雑性, 収束特性の観点から分析された。 その結果,目的関数評価が比較的安価である状況に対処する場合,本手法は決定論的手法よりも性能が著しく向上することがわかった。 しかしながら、機能評価が費用がかかるか禁止されている状況では、決定論的手法はより一貫性があり、全体的なより良い結果をもたらす可能性がある。

関連論文リスト

• Different Horses for Different Courses: Comparing Bias Mitigation Algorithms in ML [9.579645248339004]
  いくつかのアルゴリズムが達成した公正度に有意なばらつきを示し、学習パイプラインが公正度スコアに与える影響を明らかにした。 ほとんどのバイアス軽減技術は同等のパフォーマンスを実現することができると強調する。 私たちの研究は、アルゴリズムの開発ライフサイクルにおける様々な選択が公正性にどのように影響するか、将来の研究を促進することを願っています。
  論文  参考訳（メタデータ） (2024-11-17T15:17:08Z)
• Bayesian Optimization for Non-Convex Two-Stage Stochastic Optimization Problems [2.9016548477524156]
  知識に基づく獲得関数を定式化し,第1段と第2段の変数を協調的に最適化する。 可変型間の寸法と長さの差が2段階アルゴリズムの非効率性をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-08-30T16:26:31Z)
• Comparison of Single- and Multi- Objective Optimization Quality for Evolutionary Equation Discovery [77.34726150561087]
  進化的微分方程式の発見は、より優先順位の低い方程式を得るための道具であることが証明された。 提案した比較手法は、バーガーズ方程式、波動方程式、コルテヴェーグ・ド・ブリーズ方程式といった古典的なモデル例で示される。
  論文  参考訳（メタデータ） (2023-06-29T15:37:19Z)
• Best Arm Identification in Stochastic Bandits: Beyond $\beta-$optimality [31.359578768463752]
  本稿では,固定信頼設定における多腕バンディットにおけるベストアーム識別(BAI)の非装飾的側面について検討する。 帯域幅アルゴリズムを評価するための2つの重要な指標は、計算効率と性能最適性である。 本稿では,BAIのためのフレームワークとアルゴリズムを導入し,計算効率のよい決定ルールセットを用いて最適性能を実現する。
  論文  参考訳（メタデータ） (2023-01-10T05:02:49Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• Benchmarking Simulation-Based Inference [5.3898004059026325]
  確率的モデリングの最近の進歩は、確率の数値的評価を必要としないシミュレーションに基づく推論アルゴリズムを多数もたらした。 推論タスクと適切なパフォーマンス指標を備えたベンチマークを,アルゴリズムの初期選択とともに提供する。 性能指標の選択は重要であり、最先端のアルゴリズムでさえ改善の余地があり、逐次推定によりサンプリング効率が向上することがわかった。
  論文  参考訳（メタデータ） (2021-01-12T18:31:22Z)
• Fast Rates for Contextual Linear Optimization [52.39202699484225]
  提案手法は, 下流決定性能を直接最適化する手法よりもはるかに高速な, 後悔の収束率を実現する。 予測モデルは、既存のツールを使ったトレーニングが簡単かつ高速で、解釈が簡単で、私たちが示しているように、非常にうまく機能する決定につながる。
  論文  参考訳（メタデータ） (2020-11-05T18:43:59Z)
• Stochastic Optimization Forests [60.523606291705214]
  標準的なランダムな森林アルゴリズムのように予測精度を向上させるために分割するのではなく、分割を選択した木を栽培し、下流の意思決定品質を直接最適化することで、森林決定政策の訓練方法を示す。 概略分割基準は、各候補分割に対して正確に最適化された森林アルゴリズムに近い性能を保ちながら、100倍のランニング時間を短縮できることを示す。
  論文  参考訳（メタデータ） (2020-08-17T16:56:06Z)
• Generalized and Scalable Optimal Sparse Decision Trees [56.35541305670828]
  様々な目的に対して最適な決定木を生成する手法を提案する。 また,連続変数が存在する場合に最適な結果が得られるスケーラブルなアルゴリズムも導入する。
  論文  参考訳（メタデータ） (2020-06-15T19:00:11Z)
• Decisions and Performance Under Bounded Rationality: A Computational Benchmarking Approach [0.0]
  本稿では,人間の意思決定を解析するための新しいアプローチを提案する。 プロのチェス選手の行動を比較し、認知的に有界な合理性の計算ベンチマークと比較する。
  論文  参考訳（メタデータ） (2020-05-26T11:39:39Z)
• Learning with Differentiable Perturbed Optimizers [54.351317101356614]
  本稿では,操作を微分可能で局所的に一定ではない操作に変換する手法を提案する。 提案手法は摂動に依拠し,既存の解法とともに容易に利用することができる。 本稿では,この枠組みが,構造化予測において発達した損失の族とどのように結びつくかを示し,学習課題におけるそれらの使用に関する理論的保証を与える。
  論文  参考訳（メタデータ） (2020-02-20T11:11:32Z)

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。