論文の概要: A Local Optima Network View of Real Function Fitness Landscapes
- arxiv url: http://arxiv.org/abs/2212.10254v1
- Date: Tue, 20 Dec 2022 14:02:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 16:04:30.896781
- Title: A Local Optima Network View of Real Function Fitness Landscapes
- Title(参考訳): 実関数性景観の局所最適ネットワークビュー
- Authors: Marco Tomassini
- Abstract要約: 局所最適ネットワークモデルは過去に最適化問題に関連して有用であることが証明された。
このモデルは,解析や可視化が容易な関数空間の相補的なビューを提供する。
特に,アルゴリズムの性能に代表される関数の硬さは,対応する局所最適ネットワークのグラフ特性と強く関係していることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The local optima network model has proved useful in the past in connection
with combinatorial optimization problems. Here we examine its extension to the
real continuous function domain. Through a sampling process, the model builds a
weighted directed graph which captures the function's minima basin structure
and its interconnection and which can be easily manipulated with the help of
complex networks metrics. We show that the model provides a complementary view
of function spaces that is easier to analyze and visualize, especially at
higher dimension. In particular, we show that function hardness as represented
by algorithm performance, is strongly related to several graph properties of
the corresponding local optima network, opening the way for a classification of
problem difficulty according to the corresponding graph structure and with
possible extensions in the design of better metaheuristic approaches.
- Abstract(参考訳): 局所オプティマネットワークモデルは, 組合せ最適化問題に関連して, 過去に有用であることが証明された。
ここでは、実連続函数領域への拡張を検討する。
サンプリングプロセスを通じて、モデルは関数のミニマ盆地構造とその相互接続を捉え、複雑なネットワークメトリクスの助けを借りて容易に操作できる重み付き有向グラフを構築する。
このモデルは,特に高次元において,解析や可視化が容易な関数空間の相補的なビューを提供することを示す。
特に,アルゴリズムの性能に代表される関数の硬さは,対応する局所最適ネットワークのいくつかのグラフ特性と強く関係していることを示し,対応するグラフ構造に従って問題難度を分類し,メタヒューリスティックなアプローチの設計の拡張の可能性を示した。
関連論文リスト
- Affinity-Aware Graph Networks [9.888383815189176]
グラフニューラルネットワーク(GNN)は、リレーショナルデータを学ぶための強力なテクニックとして登場した。
グラフニューラルネットワークの特徴としてアフィニティ尺度の利用について検討する。
本稿では,これらの特徴に基づくメッセージパッシングネットワークを提案し,その性能を様々なノードおよびグラフ特性予測タスクで評価する。
論文 参考訳(メタデータ) (2022-06-23T18:51:35Z) - Template based Graph Neural Network with Optimal Transport Distances [11.56532171513328]
現在のグラフニューラルネットワーク(GNN)アーキテクチャは、2つの重要なコンポーネントに依存している。
本稿では,学習可能なグラフテンプレートとの距離をグラフ表現のコアに配置する新しい視点を提案する。
この距離埋め込みは、Fused Gromov-Wasserstein (FGW) 距離という最適な輸送距離によって構築される。
論文 参考訳(メタデータ) (2022-05-31T12:24:01Z) - Tackling Provably Hard Representative Selection via Graph Neural
Networks [22.87686689456669]
代表選択(Representive Selection, RS)は、データセットの代表であるデータセットから、例の小さなサブセットを見つける問題である。
本稿では,グラフのRSについて検討し,選択した代表に対して学習したモデルの精度を最適化する代表ノードの探索に焦点をあてる。
グラフニューラルネットワークに基づく表現学習に基づくRSモデルであるRS-GNNを開発した。
論文 参考訳(メタデータ) (2022-05-20T18:44:06Z) - Bending Graphs: Hierarchical Shape Matching using Gated Optimal
Transport [80.64516377977183]
形状マッチングは、コンピュータグラフィックスと視覚のコミュニティにとって長い間研究されてきた問題である。
局所的なパッチレベル情報とグローバルな形状レベルの構造を組み込んだ階層型学習設計について検討する。
本研究では,非信頼ノード上の特徴を逐次更新し,形状間の一貫した一致を学習することで,新しい最適輸送解法を提案する。
論文 参考訳(メタデータ) (2022-02-03T11:41:46Z) - Learning Connectivity with Graph Convolutional Networks for
Skeleton-based Action Recognition [14.924672048447338]
グラフのトポロジ特性を学習するグラフ畳み込みネットワークのための新しいフレームワークを提案する。
本手法の設計原理は制約対象関数の最適化に基づいている。
骨格に基づく行動認識の課題に対して行った実験は,提案手法の優位性を示している。
論文 参考訳(メタデータ) (2021-12-06T19:43:26Z) - Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。
単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
論文 参考訳(メタデータ) (2021-10-28T14:59:41Z) - Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。
空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。
提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
論文 参考訳(メタデータ) (2020-11-06T12:17:01Z) - GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。
学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。
GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
論文 参考訳(メタデータ) (2020-07-07T16:51:39Z) - Structural Landmarking and Interaction Modelling: on Resolution Dilemmas
in Graph Classification [50.83222170524406]
解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」
構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
論文 参考訳(メタデータ) (2020-06-29T01:01:42Z) - Cross-GCN: Enhancing Graph Convolutional Network with $k$-Order Feature
Interactions [153.6357310444093]
Graph Convolutional Network(GCN)は,グラフデータの学習と推論を行う新興技術である。
我々は、GCNの既存の設計がクロスフィーチャをモデリングし、クロスフィーチャが重要であるタスクやデータに対してGCNの効率を損なうことを論じている。
我々は、任意の次交叉特徴を、特徴次元と順序サイズに線形に複雑にモデル化した、クロスフィーチャーグラフ畳み込みという新しい演算子を設計する。
論文 参考訳(メタデータ) (2020-03-05T13:05:27Z)
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。